具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。

本实施方式提出一种基于云平台诊断睡眠障碍检测方法，包括GPU模块以及心电采集模块的睡眠障碍采集装置；通过所述心电采集模块进行采集并且使用所述GPU模块进行一定运算提供睡眠障碍检测服务；

作为本申请优选的技术方案，按照权利要求1所述的包括GPU模块以及心电采集模块睡眠障碍采集装置，其特征在于：带有可以进行深度学习运算的GPU模块以及一个可以采集十二导联心电信号的采集装置。该GPU模块选用的是由英伟达公司提供的NVIDIA JETSONNANO边缘计算模块，十二导联心电信号采集装置是由ADS1298采集芯片、STM32模块以及ESP32模块组成。

作为本申请优选的技术方案，按照权利要求1所述的包括GPU模块以及心电采集模块睡眠障碍采集装置，其特征在于：运算模块与采集装置可采用内部通信总线相连也可以采用WiFi与蓝牙相连。内部总线协议可选为串口协议、SPI协议，外部NVIDIA JETSON NANO采用WiFi与蓝牙集成一体网卡提供WiFi与蓝牙服务器，与心电采集模块睡眠障碍采集装置的ESP32模块通过WiFi或者蓝牙相连接。

作为本申请优选的技术方案，按照权利要求1所述的基于云平台诊断睡眠障碍检测方法，其特征在于：可以使用一个包括GPU模块以及心电采集模块的睡眠障碍采集装置组成云端运算平台进行运算，此为边缘云计算状态。边缘计算状态时该设备可与其他同类设备通过网络进行通讯，互相分享数据库中的特征来进行睡眠障碍检测。

作为本申请优选的技术方案，按照权利要求1所述的基于云平台诊断睡眠障碍检测方法，其特征在于：也可以使用网络连接到搭建在云运算中心的专属服务器上将采集到心电数据发送到其中进行计算。专属服务器上也是包含GPU或者TPU或者专有FPGA模块以便使用神经网络进行运算。

作为本申请优选的技术方案，按照权利要求1所述的基于云平台诊断睡眠障碍检测方法，其特征在于：检测方法包含三个过程，基础心电信号标注过程、睡眠时异常信号检测过程、睡眠障碍检测过程。

作为本申请优选的技术方案，按照权利要求6所述的基于云平台诊断睡眠障碍检测方法，其特征在于：基础心电信号标注过程是针对十二导联心电信号数据进行PQRST标注，方便后面分析。

基础心电信号标注过程是整个服务中最为基础的部分，提供了心电信号种类分别、时间序列标注功能。整体算法是以二叉树为底寻找R波点之后再区分其他的各个点，由于并非实时监测因此可以消耗比较多的运算时间进行运算。

寻找R波点是整个标注服务种最为基础的设计，在数据层面不同于以往的图形分析，实际上这个是以数字为敏感的核心，系统传进来的数据均为Float数值，可以进行对应的标准化操作，之后进行分析。R波点算法需要执行两个步骤寻找大致众数，大致众数即最中心的平均数的和。另外一个是核径向，就是离树的核心的具体距离大小，这种操作在建立二叉树的时候可以完成，将边带有距离参数。

然后是累计算法，统计离边最远点的距离，之后将对应的叶节点染上不同的颜色扔到对应标记序列种，即可完成标注。

按照权利要求6所述的基于云平台诊断睡眠障碍检测方法，其特征在于：睡眠时异常信号检测、睡眠障碍检测均为采用将心电信号进行分层切片之后通过一个基于CNN技术搭建的U-NET卷积神经网络与附带的数据库中数据进行比对得出最后的结果。

睡眠时异常信号检测是基于上面标注完成的结果之后进行更加专业的分析，利用前一个服务建立的树，对树里面的标记进行分析甄别，例如一个P波后是否具有QRS波序列，来判断是否有心脏传导阻塞一类的心率异常情况，之后再进行其他的鉴别服务。

同时提供两种模式，一种基于传统状态机模式进行鉴别，另外一种是将心率做成分段图像，之后直接走卷积神经网络进行判断。两种模式均能进行运作，但是在未进行数据增强的情况下，卷积神经网络效果一般弱于传统状态机模式。

心电环境下睡眠障碍快速筛查服务是基于卷积神经网络进行快速判断的筛查服务，利用预先制作好关于ECG判断的模型集合对于某一跳的心电信号图片进行分类操作，分类完成后再将图片标记进行归类集中，统计其具有集中认为有睡眠障碍的心电信号，统计持续时间，由于每一跳均有固定时长因此均需计算间隔即可，之后根据出现的事件种类进行分类抛出对应的结果。

实施例1

用户对于采集端的需求只有两点，一个是采的准，二是数据上传及时，其他都是次要需求，例如操作人性化，使用简单边界等特点。为了满足用户采的准的目标，系统采用了医用级心电采集芯片即ADS1298，ADS1298可以采集细微的心电信号，并且可以配置2～12倍的方法倍数来放大相关的信号，然后以24Bit每通道的转换数据模数转换成数字信号进行输出，相当的方便。同时ADS12988可以轻松配置成威尔逊中心导联和戈德伯格导联模式，以便采集相关的数据。

采的准另外一个方面是在于用于采集连接器上，一般是采用标准的DB15接口和专业的心电采集线进行采集操作，但是采集线又粗又大不变操作，因此可以采用电脑常用的接口进行相关的操作，这里由于需要极粗的信号线，所以在防止两面插方面只有HDMI接口符合要求，如果考虑与时俱进的话可以采用Typec-C接口，Type-C接口具有两面插入的特点，信号线一面一共12根，只要使用其中的10根就能完成相关的操作，方便使用人员使用。原始设计是采用电脑接口，后面考察后发现市面上轻便的采集导线均采用3.5mm耳机接口，同时也有大量设备是采用DB15接口，因此考量到两种不同的需求，决定将接口先设计成排针的样式，后续方便进行更换。

数据上传及时主要在于单片机如何进行处理，这里方案是分为两个单片机进行相关的操作，一个单片机专门负责数据的采集操作，另外一个单片机负责数据上传操作，模拟的是医院进行彩超检查时的操作，就是一个医生和彩超仪加上一台上传报告用的电脑组成，医生操作彩超仪采集病人的生理信息，彩超仪再将数据从彩超仪传输至用于处理的电脑上面，处理电脑再把数据通过网络传输到医院的影像中心；在我们这里STM32单片机就充当那个医生的作用，而ADS1298芯片就是彩超仪，只不过STM32单片机还要充当数据上传者的功能，因此在这里设计是STM32单片机操作ADS1298芯片进行操作，之后由STM32单片机再将数据传输到ESP32中，由ESP32充当处理的电脑进行初步处理再进行归档操作，最后再上传到上位机中进行保存。原始设计是采用ESP32在通过MQTT协议发布一条Topic为CompleteFile的消息，将自己准备好的文件路径告诉上位机，上位机通过路径来下载相关的文件；ESP32同时还会通过MQTT协议发布一条RawDataFile的消息来进行信息共享，后续发现此种设计不行，因此更改为SD卡WEB服务器进行共享服务。

实施例2

主程序主要有两个责任构成，一个是作为总调度台进行调度操作，另外一个是作为详细信息的Web服务器进行服务显示，也因此需要使用ASP.Net Core技术开发，至于为什么不选择Java的原因，是因为ASP.Net Core在语言上较为统一，不像Java看起来那么乱，另外就是ASP.Net Core运行平台虚拟机都是由专业人士调试而来处于最佳状态的虚拟机，方便使用，不像Java虚拟机还要考虑调优问题。Java虚拟机一般采用的是OpenJDK是红帽公司维护，红帽公司技术实力明显比微软差，而且开发效率而言ASP.Net Core可以更快的开发语法简介。

总调度控制台负责调度数据的操作，主要包含处理程序注册、处理程序调度、数据整理等功能，也负责维护SQlite数据库，是总负责人。处理程序注册主要处理相关程序的注册，每一个处理程序都是一个基础服务，其中包含基础心电图标注服务，心率异常检测服务，心电环境下睡眠障碍快速筛查服务等一系列服务，其在SQlite数据库以数据表SE_ECG_Service表示。

实施例3

基础心电图标注服务是整个服务中最为基础的部分，提供了心电信号种类分别、时间序列标注功能。整体算法是以二叉树为底寻找R波点之后再区分其他的各个点，由于并非实时监测因此可以消耗比较多的运算时间进行运算。

寻找R波点是整个标注服务种最为基础的设计，在数据层面不同于以往的图形分析，实际上这个是以数字为敏感的核心，系统传进来的数据均为Float数值，可以进行对应的标准化操作，之后进行分析。R波点算法需要执行两个步骤寻找大致众数，大致众数即最中心的平均数的和。另外一个是核径向，就是离树的核心的具体距离大小，这种操作在建立二叉树的时候可以完成，将边带有距离参数。

然后是累计算法，统计离边最远点的距离，之后将对应的叶节点染上不同的颜色扔到对应标记序列种，即可完成标注。

实施例4

心率异常检测服务是基于上面标注完成的结果之后进行更加专业的分析，利用前一个服务建立的树，对树里面的标记进行分析甄别，例如一个P波后是否具有QRS波序列，来判断是否有心脏传导阻塞一类的心率异常情况，之后再进行其他的鉴别服务。

同时提供两种模式，一种基于传统状态机模式进行鉴别，另外一种是将心率做成分段图像，之后直接走卷积神经网络进行判断。两种模式均能进行运作，但是在未进行数据增强的情况下，卷积神经网络效果一般弱于传统状态机模式。

实施例5

心电环境下睡眠障碍快速筛查服务是基于卷积神经网络进行快速判断的筛查服务，利用预先制作好关于ECG判断的模型集合对于某一跳的心电信号图片进行分类操作，分类完成后再将图片标记进行归类集中，统计其具有集中认为有睡眠障碍的心电信号，统计持续时间，由于每一跳均有固定时长因此均需计算间隔即可，之后根据出现的事件种类进行分类抛出对应的结果。

在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，这类术语仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明未尽事宜为公知技术，上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施。

以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。