(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111587403.7 (22)申请日 2021.12.23 (71)申请人 成都信息工程大学 地址 610225 四川省成 都市西南 航空港经 济开发区学府路1段24 号 (72)发明人 郜东瑞　冯李霄　张丽　彭波　 曹文朋　严明靖　汪曼青　张永清　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 代理人 王伟 (51)Int.Cl. G16H 50/20(2018.01) G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 20/00(2019.01) A61B 5/00(2006.01) (54)发明名称 利用睡眠结构检测阻塞性呼吸暂停及夜间 额叶癫痫的方法 (57)摘要 本发明公开了一种利用睡眠结构检测阻塞 性呼吸暂停及夜间额叶癫痫的方法， 包括以下步 骤： S1、 数据采集： 分别采集健康人、 OSA患者和 NFLE患者的睡眠数据； S2、 数据预处理； S3、 建立 自动睡眠分期网络模型， 利用自动睡眠分期网络 模型对健康人睡眠数据进行分期处理； S4、 进行 迁移学习， 得到OSA患者和NFLE患者的睡眠分期 结构； S5、 建立睡眠疾病检测模型。 本发明利用睡 眠结构检测OSA及NFLE疾病的方法， 能够从睡眠 结构层次有效检测OSA及NFLE睡眠疾病， 该模型 具有实际应用的潜力。 权利要求书2页 说明书12页 附图5页 CN 114267444 A 2022.04.01 CN 114267444 A 1.利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法， 其特征在于， 包括以下 步骤： S1、 数据采集： 分别采集 健康人、 OSA患者和NFLE患者的睡眠数据； S2、 数据预处理： 对睡眠数据进行预处理， 选取具有无限脉冲响应IIR的Butterworth滤 波器对数据进 行滤波； 由睡眠医生根据睡眠判别标准和自身 经验对滤波后的睡眠数据进 行 分期， 将分期结果作为睡眠数据的标签， 然后将睡眠数据以30秒/epoch的时间序列划分为 不重叠的片段； S3、 建立自动睡眠分期网络模型， 利用自动睡眠分期网络模型对健康人睡眠数据进行 分期处理； S4、 进行迁移学习， 得到OSA患者和NFLE患者的睡眠分期结构； S5、 建立睡眠疾病检测模型。 2.根据权利要求1所述的利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法， 其特征在于， 所述步骤S 3中， 自动睡眠分期网络模型依次包括特征提取模块、 时间注意力模 型和CRF模型； 具体实现方法为： S31、 将健康人睡眠数据经 过特征提取得到特征向量并对特 征向量进行归一 化处理； S32、 将数据按照(M， F)的格式输入到Bi ‑GRU中提取时序特征， 其中M是指样本量， 即 epoch个数； F是归一化后的特 征； S33、 通过sigmoid函数给相关度 高的时序特征赋高的权重， 再与原始输入特征向量相 乘： Attention(X， X)＝Sigmo id(GRU(X) )X 其中X为输入的特 征向量， GRU(X)为Bi ‑GRU提取的时序特 征； S34、 将S33得到的注意力结果输入到全连接层FC中， 得到CRF的输入， 经过CRF最终得到 睡眠五分期的结果。 3.根据权利要求2所述的利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法， 其特征在于， 所述步骤S31 中， 特征提取的方法为： 利用welch和lomb方法分别从原始序列中 提取δ(0.5 ‑4hz)、 θ(4 ‑8hz)、 α(8 ‑13hz)和β(13 ‑30hz)频段的信号， 得到8个新频段； 然后将 原始序列做一阶差分处理， 得到新的序列， 从8个新频段、 一阶差分处理后的序列和原始序 列这10个数据 序列或频 段中分别提取14个时域特 征， 加上12个非线性特 征， 共152个特 征； 14个时域特征分别为： 原始序列最大值、 原始序列最小值、 原始序列均值、 原始序列方 差、 原始序列标准差、 原始序列25％分位数、 原始序列75％分位数、 原始序列 95％分位数、 原 始序列偏度、 原始序列峰度、 原始序列中位数、 原始序列过零率、 原始序列Hjorth参数中移 动性、 原始序列Hjor th参数中复杂性； 12个非线性特征分别为： delta能量值、 theta能量值、 alpha能量值、 beta能量值、 置换 熵、 样本熵、 奇异值分解熵、 信号能量、 关联维、 排列LZ复杂度、 差分LZ复杂度和粗粒化LZ复 杂度计算。 4.根据权利要求1所述的利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法， 其特征在于， 所述步骤S4具体实现方法为： 采用健康人睡眠数据作为迁移学习的源域， OSA 患者与NFLE患者的睡眠数据作为目标域； 用 表示源域， 其中 表示特征空间， 表示标签空间； 用TS表示源域中 的任务， TS＝P(yS|xS)， P(yS|xS)表示源条件概率分布， 其权　利　要　求　书 1/2 页 2 CN 114267444 A 2中 采用 和TT表示目标域和目标域中 的任务； 迁移学习的目标是利用从 和TS获得的信息改进学习P(yT|xT)， 其中 或者TS≠TT； 预训练过程是在源域数据上最小化损失LS， 得到模型参数θ： 其中， θ表示模型参数集 合； 预训练的模型为目标域的初始模型， 然后在初始模型的基础上采用目标域数据进一步 训练预训练的网络参数θ ′， 其中 而其余参数保持不变： 当θ′＝θ时， 整个预训练网络在目标域中被微调： 将OSA或NFLE数据集放到健康人已经 训练好的迁移学习网络模型， 调整参数然后继续训练； 当 时， 不发生微调， 并且将预 训练的网络直接用于目标域， 得到 迁移学习网络， 表示空集； 将OSA患者与NFLE患者的睡眠数据分别送入迁移学习网络， 得到OSA患者和NFLE患者的 睡眠分期结构。 5.根据权利要求1所述的利用睡眠结构检测阻塞性呼吸暂停及夜间额叶癫痫的方法， 其特征在于， 所述步骤S 5具体实现方法为： 将集健康人、 OSA患者和NFLE患者的3个睡眠分期 结构及疾病类型分别作为睡眠疾病检测模型 的数据及标签， 制作新的数据集， 送入集成学 习模型中得到疾病检测结果； 集 成学习模型具体操作方法为： 采用RF， Xgboost及ExtraTree 三个机器学习模型分别对输入数据进行处理， 然后将RF， Xgb oost和ExtraTree三个机器学 习模型得到的检测结果以硬投票的方式进行集成确认， 得到最终的检测结果。权　利　要　求　书 2/2 页 3 CN 114267444 A 3