具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。

实施例一：

本实施例中，如图1所示，一种基于多级小波编解码的睡眠呼吸暂停检测方法，包括以下步骤：

步骤一：信号标准化，采集用户的两路睡眠BCG信号，并对采集的BCG信号进行标准化预处理，获得标准化信号；

步骤二：小波分解训练，构建NWCNN深度神经网络，将标准化信号输入到NWCNN深度神经网络中进行小波分解训练，获得NWCNN的输出，即深度神经网模型；

步骤三：模型微调，将采集的BCG信号作为样本数据并将样本数据分为训练集和测试集，对深度神经网络进行预训练和微调；

步骤四：训练HMM模型，以1分钟时长为分段依据对步骤三中的训练集进行分段，基于分段数据训练HMM模型；

步骤五：事件定位，将原始的BCG信号输入深度神经网络中，进行降噪及特征提取，并将提取出的特征输入到HMM模型中，获得最后的睡眠呼吸暂停分类概率，定位出睡眠呼吸暂停事件。

本实施例中，步骤一具体包括以下子步骤：

S101，利用信号采集系统，以128Hz的采样频率采集两路睡眠BCG信号，采集系统包括低通和高通滤波器及工频陷波等。

S102，对采集的原始BCG信号进行z-score标准化处理，获得标准化信号。

本实施例中，子步骤S102具体包括；先计算出原始BCG信号信号片段的算术平均值x_i和标准差s_i；根据算术平均值x_i和标准差s_i进行信号标准化处理，处理过程如下式所示：

z＝(x－x_i)/s_i

其中：z为标准化后的变量值，即标准化信号；x为实际变量值，即原始BCG信号。

本实施例中，步骤二具体包括以下子步骤：

S201，堆叠多个CNN、小波分解和编解码器，并构建深度神经网络NWCNN，深度神经网络NWCNN包括一个输入层，多个小波分解层和卷积层，以及一个输出层；

S202，首先将标准化信号进行DWT分解，得到多个细节系数数据，将所有的细节系数数据作为CNN的输入，然后基于CNN训练学习得到相应参数，再对相应参数进行DWT变换，获得变换后的细节系数，并将其作为CNN的输入，基于CNN输出做IWT反变换，然后再基于CNN，做IWT反变换，通过softmax得到NWCNN的输出。

本实施例中，与传统睡眠呼吸暂停检测方法不同，本实施例不计算HRV及相关特征，直接对原始BCG信号进行处理，并将处理后的BCG信号输入到模型进行训练，方法简单可靠。

本实施例可以达到以下技术效果：

本实施例通过基于多级小波卷积编解码网络进行特征提取及分类，直接基于原始的BCG信号，达到降噪及特征提取以及分类的效果。

实施例二：

本实施例中，一种基于多级小波编解码的睡眠呼吸暂停检测方法，包括以下步骤：

步骤一：信号标准化，采集用户的两路睡眠BCG信号，并对采集的BCG信号进行标准化预处理，获得标准化信号；

步骤二：小波分解训练，构建NWCNN深度神经网络，将标准化信号输入到NWCNN深度神经网络中进行小波分解训练，获得NWCNN的输出，即深度神经网模型；

步骤三：模型微调，将采集的BCG信号作为样本数据并将样本数据分为训练集和测试集，对深度神经网络进行预训练和微调；

步骤四：训练HMM模型，以1分钟时长为分段依据对步骤三中的训练集进行分段，基于分段数据训练HMM模型；

步骤五：事件定位，将原始的BCG信号输入深度神经网络中，进行降噪及特征提取，并将提取出的特征输入到HMM模型中，获得最后的睡眠呼吸暂停分类概率，定位出睡眠呼吸暂停事件。

本实施例中，步骤三具体包括：将采集的BCG信号作为样本数据，并分为训练集和测试集，同时将训练集分带标签数据和不带标签数据，对深度神经网络进行预训练和微调。

本实施例中，步骤四具体包括：先以1分钟时长为分段依据，对步骤三中的带标签数据进行分段标注，并在分段标注过程中剔除噪声数据片段，根据分段标注后的带标签数据训练HMM模型，构建睡眠呼吸暂停事件的分类模型。

本实施例中，基于标注的病例样本数据，睡眠呼吸暂停事件标签标注按1min钟的分段数据进行标注，需要在标注过程中，剔除体动等噪声数据片段。然后基于上述标签数据，训练HMM模型，构建睡眠呼吸暂停事件的分类模型。

本实施例中，在预训练阶段，可以将不含标签数据的原始BCG信号，输入到模型中，进行预训练，然后基于标签数据进行微调，达到模型降噪及特征提取的功能。

本实施例中，对深度神经网络模型的微调具体包括：将带标签数据输入到深度神经网络模型中，根据模型的输出结果调整深度神经网络模型的权重参数，直至模型的输出结果满足预设的预训练条件为止。

本实施例提供的，一种基于NWCNN的睡眠呼吸暂停检测方法，通过基于多级小波卷积编解码网络进行特征提取及分类，直接基于原始的BCG信号，达到降噪及特征提取以及分类的效果。该方法可基于原始床垫式BCG采集系统，采集睡眠BCG信号，同时考虑到前后呼吸性质的相关性，基于样本标签数据构建HMM模型，本算法简单可靠，能够有效定位睡眠呼吸暂停事件。

本实施例可以达到以下技术效果：

1.本实施例在预训练阶段，可以将不含标签数据的原始BCG信号，输入到模型中，进行预训练，然后基于标签数据进行微调，达到模型降噪及特征提取的功能。

2.本实施例通过基于多级小波卷积编解码网络进行特征提取及分类，直接基于原始的BCG信号，达到降噪及特征提取以及分类的效果。

3.本实施例基于原始床垫式BCG采集系统，采集睡眠BCG信号，同时考虑到前后呼吸性质的相关性，基于样本标签数据构建HMM模型，方法简单可靠，能够有效定位睡眠呼吸暂停事件。

实施例三：

本实施例中，为了实现实施例一和实施例二的睡眠呼吸暂停检测方法，提供了一种基于多级小波编解码的睡眠呼吸暂停检测系统，包括信号采集单元、信号预处理单元、集成模拟前端、数据转发单元、电源管理模块、微处理器和上位机；信号采集单元与信号预处理单元连接；信号预处理单元与集成模拟前端连接；集成模拟前端与微处理器连接；微处理器和数据转发单元连接；数据转发单元通过通信网络与上位机建立通信连接。

本实施例中，信号采集单元为压电陶瓷传感器，用于采集用户睡眠时的BCG信号。

本实施例中，信号预处理单元为前置放大电路，前置放大电路包括加法器、隔离放大器、双T型陷波滤波器和低通滤波器；加法器的输入端分别与电源管理模块和压电陶瓷传感器连接，加法器的输出端与隔离放大器连接；隔离放大器与双T型陷波滤波器连接；双T型陷波滤波器与低通滤波器连接；低通滤波器与集成模拟前端连接。

本实施例中，模拟信号处理过程包括电压偏置(直流电平抬升)、信号放大(隔离放大)、工频陷波、低通滤波等处理过程。系统的电源管理模块提供直流参考电平通过加法器电路与压电陶瓷传感器采集的BCG信号进行相加，对压电陶瓷传感器获取的BCG信号进行直流电平抬升，使输入信号中的负电平部分能够被单极性供电的运算放大器(隔离放大器)处理，解决了压电陶瓷传感器采集的BCG信号中负电平输出部分未被处理的问题，并进行了前后级隔离；设计双T型单跟随陷波器(双T型陷波滤波器)，可以滤除50Hz工频噪声，有效减少工频噪声干扰；对去除工频噪声后的模拟信号进行放大处理，输出可有效采样读取的原始BCG信号。

本实施例可以达到以下技术效果：

本实施例构建的睡眠呼吸暂停检测系统，能够解决压电陶瓷传感器采集的BCG信号中负电平输出部分未被处理的问题，同时设计了双T型单跟随陷波器(双T型陷波滤波器)，可以滤除50Hz工频噪声，有效减少工频噪声干扰；对去除工频噪声后的模拟信号进行放大处理，输出可有效采样读取的原始BCG信号，可以较为准确的判断用户睡眠时发生呼吸暂停的概率数据，从而便于定位睡眠呼吸暂停事件。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。