基于时间序列对比学习的ECG睡眠呼吸暂停检测方法及系统

技术领域

本发明涉及心电信号处理技术领域，尤其涉及一种基于时间序列对比学习的ECG睡眠呼吸暂停检测方法以及一种基于时间序列对比学习的ECG睡眠呼吸暂停检测系统。

背景技术

睡眠呼吸暂停检测的目标是有效检测在个体睡眠过程中呼吸暂停的发生。多导睡眠图由于包括多个通道的信号，可以从多方面反应出个体的睡眠状态，所以常被用于睡眠呼吸暂停检测。然而在采集多导睡眠图信号时，受试个体需要佩戴多种设备进入睡眠，具有受试个体的睡眠状态易受影响，采集设备昂贵等缺点。因此，许多研究人员开始使用单通道信号进行睡眠呼吸暂停检测。其中，心电信号可以反应由于呼吸暂停导致的全身血压、肺动脉压升高，受到了许多研究人员的关注。但是使用单通道心电信号进行睡眠呼吸暂停检测鲁棒性较弱，容易受到噪声导致的信息丢失影响。如何在心电信号被噪声污染的情况下训练高效的睡眠呼吸暂停检测模型成为当前医疗领域和科研界迫切需要解决的问题。

在现有的使用心电信号的睡眠呼吸暂停检测方法中，由于仅使用单通道信号进行检测，特征提取过程容易受到信号中的噪声影响，导致模型难以准确提取与呼吸暂停检测相关的特征。部分研究使用了在模型中引入输入片段的时间上下文的方法，该方法能够在时间尺度上提供更多特征，降低噪声对目标片段的影响，提高睡眠呼吸暂停检测的准确性。然而，引入大量的时间上下文一方面会导致模型过度关注与呼吸暂停无关的特征，而忽略了有效特征，可能造成学习过程中梯度消失或爆炸，另一方面会模糊正常片段与呼吸暂停片段的区别，容易出现类别混淆的问题。这使得即便引入时间上下文，模型也很难学习呼吸暂停相关特征。

经过以上分析，由时间上下文过多导致的梯度消失或爆炸和类别混淆是当前使用心电信号的睡眠呼吸暂停检测方法面临的关键问题。这些问题影响了模型的学习过程，限制了检测的效果。

发明内容

针对上述问题，本发明提供了一种基于时间序列对比学习的ECG睡眠呼吸暂停检测方法及系统，通过Transformer编码器融合上下文特征，为特征信息分配权重，防止学习过程中的梯度消失或爆炸，在分类过程中使用对比学习，增强同类样本的特征相似性，降低不同类样本的特征相似性，进一步约束特征，从而改善正常样本与呼吸暂停样本易混淆的问题，达到更好的分类检测效果。

为实现上述目的，本发明提供了一种基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，包括：

获取单通道心电信号数据，并对所述心电信号数据进行预处理，得到心电特征数据；

利用多尺度上下文的CNN-LSTM模块对所述心电特征数据进行处理，得到分支特征；

采用Transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征；

对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化；

将所述联合特征输入所述分类器，得到是否存在睡眠呼吸暂停的检测结果。

在上述技术方案中，优选地，所述对所述心电信号数据进行预处理得到心电特征数据的具体过程包括：

对所述心电信号数据进行带通滤波，并使用滑动窗口对滤波后的所述心电信号数据进行数据片段分割；

在分割得到的数据片段中寻找所有的R峰，并通过计算RR间期和R峰振幅以提取特征；

将超出预设范围的异常片段剔除，并对所述数据片段进行重采样，得到符合预设标准的心电特征数据。

在上述技术方案中，优选地，所述利用多尺度上下文的CNN-LSTM模块对所述心电特征数据进行处理得到分支特征的具体过程包括：

将所述心电特征数据划分为包含不同尺度上下文的片段；

所述CNN-LSTM模块包括分支结构，每个分支由膨胀系数不同的膨胀卷积模块和双向LSTM模块组成；

采用相同的分支结构对所述片段进行处理，将不同尺度片段的所述心电特征数据分别作为各自对应分支的输入，将各分支的输出进行拼接得到分支特征。

在上述技术方案中，优选地，所述采用Transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征，具体过程包括：

对所述分支特征进行位置编码，得到特征序列中所有元素的位置信息，并将所述位置信息添加至所述特征序列中；

将所述特征序列输入自注意力模块，计算所述特征序列的注意力权重矩阵；

将所述注意力权重矩阵与所述特征序列相乘，得到加权特征；

将所述加权特征与所述分支特征相加并利用层归一化处理，得到所有尺度的联合特征。

在上述技术方案中，优选地，所述对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化，具体过程包括：

对所述联合特征利用激励和丢弃操作进行分类，并计算平方铰链损失；

利用所述分支特征计算对比损失，以所述平方铰链损失和所述对比损失进行结合作为损失函数，对分类器的参数进行优化。

本发明还提出一种基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，应用如上述技术方案中任一项公开的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，包括：

数据预处理模块，用于获取单通道心电信号数据，并对所述心电信号数据进行预处理，得到心电特征数据；

特征数据划分模块，用于利用多尺度上下文的CNN-LSTM模块对所述心电特征数据进行处理，得到分支特征；

特征加权融合模块，用于采用Transformer编码器对所述分支特征分配权重得到加权特征，基于所述分支特征与所述加权特征得到联合特征；

对比分类优化模块，用于对所述联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化；

数据结果分类模块，用于将所述联合特征输入所述分类器，得到是否存在睡眠呼吸暂停的检测结果。

在上述技术方案中，优选地，所述数据预处理模块具体用于：

对所述心电信号数据进行带通滤波，并使用滑动窗口对滤波后的所述心电信号数据进行数据片段分割；

在分割得到的数据片段中寻找所有的R峰，并通过计算RR间期和R峰振幅以提取特征；

将超出预设范围的异常片段剔除，并对所述数据片段进行重采样，得到符合预设标准的心电特征数据。

在上述技术方案中，优选地，所述特征数据划分模块具体用于：

将所述心电特征数据划分为包含不同尺度上下文的片段；

所述CNN-LSTM模块包括分支结构，每个分支由膨胀系数不同的膨胀卷积模块和双向LSTM模块组成；

采用相同的分支结构对所述片段进行处理，将不同尺度片段的所述心电特征数据分别作为各自对应分支的输入，将各分支的输出进行拼接得到分支特征。

在上述技术方案中，优选地，所述特征加权融合模块具体用于：

对所述分支特征进行位置编码，得到特征序列中所有元素的位置信息，并将所述位置信息添加至所述特征序列中；

将所述特征序列输入自注意力模块，计算所述特征序列的注意力权重矩阵；

将所述注意力权重矩阵与所述特征序列相乘，得到加权特征；

将所述加权特征与所述分支特征相加并利用层归一化处理，得到所有尺度的联合特征。

在上述技术方案中，优选地，所述对比分类优化模块具体用于：

对所述联合特征利用激励和丢弃操作进行分类，并计算平方铰链损失；

利用所述分支特征计算对比损失，以所述平方铰链损失和所述对比损失进行结合作为损失函数，对分类器的参数进行优化。

与现有技术相比，本发明的有益效果为：通过Transformer编码器融合上下文特征，为特征信息分配权重，防止了学习过程中的梯度消失或爆炸，在分类过程中使用对比学习，增强了同类样本的特征相似性，降低了不同类样本的特征相似性，进一步约束特征，从而改善了正常样本与呼吸暂停样本易混淆的问题，达到了更好的分类检测效果。

附图说明

图1为本发明一种实施例公开的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法的流程示意图；

图2为本发明一种实施例公开的预处理过程的流程示意图；

图3为本发明一种实施例公开的多尺度上下文CNN-LSTM的处理流程示意图；

图4为本发明一种实施例公开的Transformer编码器融合模块的处理流程示意图；

图5为本发明一种实施例公开的对比学习分类的处理流程示意图；

图6为本发明一种实施例公开的基于时间序列对比学习的ECG睡眠呼吸暂停检测系统的模块示意图。

图中，各组件与附图标记之间的对应关系为：

1.数据预处理模块，2.特征数据划分模块，3.特征加权融合模块，4.对比分类优化模块，5.数据结果分类模块。

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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。

下面结合附图对本发明做进一步的详细描述：

如图1所示，根据本发明提供的一种基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，包括：

获取单通道心电信号数据，并对心电信号数据进行预处理，得到心电特征数据；

利用多尺度上下文的CNN-LSTM模块对心电特征数据进行处理，得到分支特征；

采用Transformer编码器对分支特征分配权重得到加权特征，基于分支特征与加权特征得到联合特征；

对联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化；

将联合特征输入分类器，得到是否存在睡眠呼吸暂停的检测结果。

在该实施方式中，使用单通道心电信号检测呼吸暂停，通过Transformer编码器融合上下文特征，为特征信息分配权重，防止了学习过程中的梯度消失或爆炸，在分类过程中使用对比学习，增强了同类样本的特征相似性，进一步约束特征，降低了不同类样本的特征相似性，从而改善了正常样本与呼吸暂停样本易混淆的问题，达到了更好的分类检测效果。

具体地，在预处理过程中，从单通道心电信号中提取睡眠呼吸暂停的相关特征，在训练过程中，使用卷积神经网络和双向长短时记忆神经网络从不同尺度的上下文中提取特征，学习更长时间范围内的关联特征权重，得到不同上下文的特征序列。之后模型通过Transformer编码器为特征分配不同的权重，提高有效特征特征的重要性。最后通过对比学习，对提取的加权特征进行检测，最终完成模型的特征提取和呼吸暂停检测。

为了实现高度准确地检测睡眠呼吸暂停，首先需要为模型提供心电信号中的R峰相关特征，这些特征反映了全身血压、肺动脉压升高，与呼吸暂停的发生相关联。随后再通过多尺度上下文CNN-LSTM模块继续从不同尺度的上下文中提取关联特征。然后使用Transformer编码器融合模块为不同尺度下的关联特征分配不同的权重。最后使用对比分类模块学习样本特征的相似性分布，该特征不仅具有时间上的关联特征，还能反映不同特征对呼吸暂停的重要性。

如图2所示，在上述实施方式中，优选地，对心电信号数据进行预处理得到心电特征数据的具体过程包括：

对心电信号数据进行带通滤波，并使用滑动窗口对滤波后的心电信号数据进行数据片段分割；

在分割得到的数据片段中寻找所有的R峰，并通过计算RR间期和R峰振幅以提取特征；

将超出预设范围的异常片段剔除，并对数据片段进行重采样，得到符合预设标准的心电特征数据。

具体地，带通滤波过程中，可以通过最小频率为3Hz、最大频率为45Hz的FIR带通滤波器对原始心电信号进行处理。通过滑动窗口方法，可以将信号分割成5分钟时间片段。去除异常片段过程中个，可以将所有心率超过200或低于30的片段剔除。重采样过程中，可以对较短的片段使用三次插值法，对较长的片段使用裁剪法，从而将所有片段重采样为固定长度。

如图3所示，在上述实施方式中，优选地，利用多尺度上下文的CNN-LSTM模块对心电特征数据进行处理得到分支特征的具体过程包括：

将心电特征数据划分为包含不同尺度上下文的片段；

CNN-LSTM模块包括分支结构，每个分支由膨胀系数不同的膨胀卷积模块和双向LSTM模块组成；

采用相同的分支结构对片段进行处理，将不同尺度片段的心电特征数据分别作为各自对应分支的输入，将各分支的输出进行拼接得到分支特征。

在该实施方式中，该过程目的是捕捉不同尺度的时间上下文中的关联特征。具体来说，将上述实施方式得到的固定长度的相关特征划分成短、中、长三个不同的尺度，其中包含不同的上下文或不含上下文。不同尺度的特征作为各自对应的分支的输入，每个分支由分为两类的四个膨胀卷积模块和一个双向LSTM模块组成，卷积模块之间使用平均池化方法以降低维度。最终分支输出关联特征序列X

x

x

x

x

x

其中，CE和CO分别表示两类膨胀卷积模块，BiLSTM表示双向LSTM模块，Avg表示平均池化操作。

上述两类膨胀卷积模块具有相同的结构，均由四组重复的步骤组成，两者的区别仅在于卷积时的膨胀系数不同。每个步骤包含膨胀卷积、批归一化、激励和丢弃四个操作。

x

x

STEP(x,p

其中，Conv表示膨胀卷积操作，w和b分别表示其权重和偏置，Norm代表批归一化操作，γ和β分别表示其平移参数和缩放参数，f(x)表示使用ReLU函数的激励操作，Drop表示丢弃操作。

最后，将三个分支的输出进行拼接，得到上下文的特征序列f。

f＝catch(x

其中，catch表示拼接操作，x

从下表1可以看出，本发明方法具有比使用ECG的最新方法更好的效果。从下表2可以看出，本发明方法使用1分钟、3分钟和5分钟尺度的时间上下文效果最佳。

表1本发明与其他不同模型的效果对比

表2不同长度的时间上下文效果对比

如图4所示，在上述实施方式中，优选地，采用Transformer编码器对分支特征分配权重得到加权特征，基于分支特征与加权特征得到联合特征，具体过程包括：

对分支特征进行位置编码，得到特征序列中所有元素的位置信息，并将位置信息添加至特征序列中；

将特征序列输入自注意力模块，计算特征序列的注意力权重矩阵；

将注意力权重矩阵与特征序列相乘，得到加权特征；

将加权特征与分支特征相加并利用层归一化处理，得到所有尺度的联合特征。

在该实施方式中，对上述特征序列f进行位置编码，获得特征序列中所有元素的位置信息，并将位置信息添加到特征序列中：

其中，PE表示元素的位置信息，i表示元素所在尺度，pos表示元素在尺度中的位置，F表示尺度总数，

然后，将所得特征序列输入四个重复的自注意力模块，在每个模块中计算特征序列的加权矩阵，最终得到编码器输出：

f′

当i＝1时，

在每个自注意力模块中，改变输入特征序列f′

Q＝K＝V＝f′

f′

其中，h表示第h个头，d是f′

最后将加权特征序列f′

其中，LayerNorm表示层归一化操作。

如下表3所示，本发明所采用的Transformer编码相比现有技术中其他融合机制的效果对比。

表3不同融合机制效果对比

如图5所示，在上述实施方式中，优选地，对联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化，具体过程包括：

对联合特征利用激励和丢弃操作进行分类，并计算平方铰链损失；

利用分支特征计算对比损失，以平方铰链损失和对比损失进行结合作为损失函数，对分类器的参数进行优化。

在该实施方式中，将特征序列f′输入到分类器中，得到呼吸暂停的检测结果：

f″＝Drop(ReLU(f′))

Output＝Softmax(f″)

其中，ReLU表示使用ReLU函数的激励操作。Drop表示丢弃操作。Softmax表示使用softmax函数的激励操作。

然后，为了训练模型，使用平方铰链损失与对比损失相结合作为损失函数来度量分类结果与真实标签之间的差异，从而优化模型的参数。

L(y

其中，N表示样本总量，y

feature＝x

其中，feature

如下表4所示，本发明所采用的损失函数相比现有技术中其他损失函数的效果对比。

表4不同损失函数效果对比

根据上述实施方式公开的基于时间序列对比学习的ECG自动睡眠呼吸暂停检测方法，该方法通过在融合过程中使用Transformer编码器以及在分类过程中使用对比学习，改进了传统检测模型使用心电数据时易受引入时间上下文导致的梯度爆炸或消失以及类别模糊的问题。与已有技术相比，本方法引入的Transformer编码器能够为从时间上下文的提取特征分配权重，令特征信息向与目标有关的局部集中。此外，本发明引入的对比学习能够增加同类样本的特征相似性，降低不同类样本的特征相似性，对样本特征进行约束。因此，该方法不仅实现了对呼吸暂停的高效准确检测，而且支持心电信号受噪声干扰情景下的检测任务。

如图6所示，本发明还提出一种基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，应用如上述实施方式中任一项公开的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法，包括：

数据预处理模块1，用于获取单通道心电信号数据，并对心电信号数据进行预处理，得到心电特征数据；

特征数据划分模块2，用于利用多尺度上下文的CNN-LSTM模块对心电特征数据进行处理，得到分支特征；

特征加权融合模块3，用于采用Transformer编码器对分支特征分配权重得到加权特征，基于分支特征与加权特征得到联合特征；

对比分类优化模块4，用于对联合特征进行对比学习分析得到损失函数，对分类器的参数进行优化；

数据结果分类模块5，用于将联合特征输入分类器，得到是否存在睡眠呼吸暂停的检测结果。

在该实施方式中，通过Transformer编码器融合上下文特征，为特征信息分配权重，防止了学习过程中的梯度消失或爆炸，在分类过程中使用对比学习，增强了同类样本的特征相似性，进一步约束特征，降低了不同类样本的特征相似性，从而改善了正常样本与呼吸暂停样本易混淆的问题，达到了更好的分类检测效果。

在上述实施方式中，优选地，数据预处理模块1具体用于：

对心电信号数据进行带通滤波，并使用滑动窗口对滤波后的心电信号数据进行数据片段分割；

在分割得到的数据片段中寻找所有的R峰，并通过计算RR间期和R峰振幅以提取特征；

将超出预设范围的异常片段剔除，并对数据片段进行重采样，得到符合预设标准的心电特征数据。

在上述实施方式中，优选地，特征数据划分模块2具体用于：

将心电特征数据划分为包含不同尺度上下文的片段；

CNN-LSTM模块包括分支结构，每个分支由膨胀系数不同的膨胀卷积模块和双向LSTM模块组成；

采用相同的分支结构对片段进行处理，将不同尺度片段的心电特征数据分别作为各自对应分支的输入，将各分支的输出进行拼接得到分支特征。

在上述实施方式中，优选地，特征加权融合模块3具体用于：

对分支特征进行位置编码，得到特征序列中所有元素的位置信息，并将位置信息添加至特征序列中；

将特征序列输入自注意力模块，计算特征序列的注意力权重矩阵；

将注意力权重矩阵与特征序列相乘，得到加权特征；

将加权特征与分支特征相加并利用层归一化处理，得到所有尺度的联合特征。

在上述实施方式中，优选地，对比分类优化模块4具体用于：

对联合特征利用激励和丢弃操作进行分类，并计算平方铰链损失；

利用分支特征计算对比损失，以平方铰链损失和对比损失进行结合作为损失函数，对分类器的参数进行优化。

根据上述实施方式公开的基于时间序列对比学习的ECG睡眠呼吸暂停检测系统，各模块所要实现的功能与上述实施方式公开的基于时间序列对比学习的ECG睡眠呼吸暂停检测方法的各步骤分别对应一致，在实施过程中，参照上述实施方式进行操作，在此不再赘述。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。