论文部分内容阅读
呼吸类疾病目前对人类健康构成极大威胁,其中睡眠呼吸暂停低通气综合征(SAHS)发病率高,危害大;实现口鼻流量信号的监测与模式识别,有利于该疾病的诊疗。目前国内外大多采用的金标准多导睡眠图监测(PSG)受制于价格昂贵、使用环境受限等问题,难以推广使用;因此开发呼吸暂停识别算法,并研制便携可穿戴的呼吸暂停识别系统具有重要的意义和应用价值。本文首先提出了一套呼吸暂停识别算法。该算法通过降频、自适应归一化与分割对口鼻流量信号进行预处理,消除干扰与噪声的同时保证信号完整性;然后提出并实践了基于排列熵与时频域分析的特征提取方案以及基于卷积神经网络的特征提取方案,前者使用排列熵以及信号时频域参数作为特征,后者使用神经网络特征提取的神经元作为特征;而后对比测试了常用分类器,并结合评价指标客观评判方案性能。通过权威数据库Apnea-ECG的测试,上述两种方案均可有效描述呼吸信号,获得95%以上的识别准确率,其中卷积神经网络方案识别准确率高,排列熵与时频分析方案占用资源少。通过与已有文献方案对比,表明该算法性能优异表现均衡,具有较高的实用价值。本文进一步开发可穿戴式呼吸暂停识别系统以落地算法。系统采用模块化设计,实现人体呼吸信号的采集、传输、存储以及分析工作;同时对流量传感器进行标定,评估性能并提升精度,以满足呼吸测量的相关要求;对系统的气密性进行仿真分析并结合实验验证,证明实测流量与真实流量之间的正相关关系;进而结合算法测试,证明基于排列熵与时频分析方案的识别算法具有免疫流量正相关畸变的能力,可泛化推广并保持良好的识别性能;最后开发GUI界面实时呈现算法结果,便于后续的实验研究与测试。初步临床验证表明,本论文所构建的呼吸暂停识别系统稳定性好,算法鲁棒性强,识别准确度高,同时便携可穿戴。该系统可实现家庭条件下呼吸状态实时监测,对SAHS疾病患者的诊疗与康复均有重要的意义,具有良好的应用前景。