一种基于BCG信号的睡眠呼吸暂停初筛方法以及系统

技术领域

本发明涉及生物医学信号处理技术领域，具体为一种基于BCG信号的睡眠呼吸暂停初筛方法以及系统。

背景技术

睡眠是属于人体一项重要的基本生理功能，因为人的一生约有1/3的时间是在睡眠中度过的。由于睡眠质量与人的生理和心理健康有直接联系，因此夜间充足且高质量的睡眠至关重要。夜间睡眠缺乏和睡眠质量差，会导致白天嗜睡、头晕、乏力、记忆力衰退、反应迟缓、睡眠行为异常等症状。

影响夜间睡眠质量的因素有很多，其中打鼾和睡眠中发生呼吸暂停事件，是重要影响因素。呼吸暂停事件在睡眠期间常常由于呼吸不顺导致身体出现缺氧状况，同时会导致在睡眠期间频繁出现体动和短时觉醒；现有的呼吸暂停事件检测方法分为两大类：（1）基于多导睡眠图PSG数据采集，结合胸腹带、鼻气流、以及血氧探头等设备进行呼吸暂停事件记录，辅助睡眠技师来人工修正呼吸暂停事件的判断；（2）基于血氧饱和手表等穿戴式设备进行单一维度的血氧数据进行呼吸暂停事件的判断；上述检测方式中第一种不仅操作复杂，且严重干扰受试者在睡眠中的舒适度；后者虽然也很大程度上缓解了受试者在使用过程中的不舒适的问题，但同时也存在血氧探头易脱落，存在呼吸暂停事件过检测等问题。经检索，公开号CN109222961A，提供了一种便携式睡眠监测系统及相关睡眠监测方法，该发明在使用过程中患者松紧佩戴装置可能会影响判断的准确性，从而产生过检测或漏检测的问题；公开号CN112294264A，提供了一种基于BCG与血氧饱和率的睡眠分期方法，检测信号单一，只识别BCG信号的波峰进行判断，精确度及准确度一般。

发明内容

针对上述问题，本发明的目的在于提供无创方式获得的心冲击图BCG信号，从BCG信号中分离得到呼吸信号，此外我们还提出了一种结合体动周期性特征和呼吸信号特征进行提取和分析的方法来识别呼吸暂停事件特征信号，以解决上述背景技术中提出的技术问题。为实现上述目的，本发明提供如下技术方案一种基于BCG信号的睡眠呼吸暂停初筛方法，包括如下步骤：

步骤S1：采集BCG信号，并对BCG信号进行预处理滤波；

步骤S2：对BCG信号滤波，分离出混叠在BCG信号中的呼吸信号；

步骤S3：根据体动持续时间和信号幅值对BCG信号进行体动信号分类，并记录体动信号集合MVS及体动时间集合MVST,计算出体动信号的呼吸暂停特征Apnea_mvCut，并汇聚为新的集合ApneaMV；

步骤S4：在步骤S3进行的同时，截取BCG信号中任一时间段N的呼吸信号Bre_sig，计算该时间段N内呼吸信号Bre_sig的平均差m_dev_N；

步骤S5：在该时间段N的呼吸信号Bre_sig中，从第0秒位置截取固定时间n内呼吸信号的数据段seg

步骤S6：作集合｛SEG

步骤S7：将步骤S6计算得到的一次呼吸暂停信号特征apnea的持续时长apnea_times=∑apnea

优选的，所述步骤S2中对BCG信号滤波采用数学形态学滤波器的方式。

优选的，所述步骤S3对体动信号判断呼吸暂停特征具体为：

将体动特征信息整合在Y分钟的时间窗内，时间窗内的体动特征集合记为MVS=｛mv

在MVS集合中计算相邻体动特征的时间差time_diff： time_diff

二次计算体动特征的时间差time_diff

计算体动时间的平均偏差Dev_time，其公式为Dev_time

Apnea_mvCut=∑Apnea

当Apnea_mvCut>4时，标记当前体动特征集合MVS存在呼吸暂停事件特征，将MVS集合内满足Apnea_mvCut>4的体动特征mv

优选的，所述步骤S3中，体动特征分为3个类型，具体为：Type1：体动持续时间小于1S的信号突变，且信号幅值大于正常信号的2倍；Type2：体动持续时间在1s—3s范围内的，且信号幅值大于正常幅值的2倍，不超过正常幅值的3倍；Type3：体动持续时间大于3s，且信号幅值大于正常幅值的3倍。

优选的，所步骤S3中，体动信号特征包括体动开始时间mv_bgn_time，体动持续时间mv_len，体动的类型mv_type，表示为：[mv_bgn_time, mv_len, mv_type]。

优选的，所述时间段N的呼吸信号Bre_sig是在无干扰状态下截取的。

优选的，所述呼吸信号Bre_sig的平均差m_dev_N计算公式为：

优选的，所述呼吸暂停信号特征满足条件具体的公式为：

apnea

优选的，本发明还包括一种基于BCG信号的睡眠呼吸暂停初筛系统，包括BCG信号采集模块，所述BCG信号采集模块连接BCG信号预处理模块，所述BCG信号预处理模块同时连接呼吸信号处理模块和体动信号处理模块；所述呼吸信号处理模块和体动信号处理模块同时连接呼吸暂停特征识别模块，所述呼吸暂停特征识别模块连接呼吸暂停事件输出模块；

所述BCG信号采集模块，用以采集BCG信号；

所述BCG信号预处理模块，用以对BCG信号进行预处理滤波，分离其中的呼吸信号；

所述呼吸信号处理模块，用以对任意一段BCG信号分析，计算某时间段内呼吸信号的平均差以及数据段的平均差；

所述体动信号处理模块，用以根据体动持续时间和信号幅值对体动特征进行分类和记录；

所述呼吸暂停特征识别模块，用以根据数据段的平均差和呼吸信号的平均差之比，界定当前时间段中的呼吸暂停次数，并收录为一个集合；

所述呼吸暂停事件输出模块，用以将所有时间段中的呼吸信号得到的集合A和体动信号得到的集合ApneaMV统一整理记录。

与现有技术相比，本发明的有益效果是：

本发明的初筛方法及系统在受试者使用过程中，其睡眠舒适度影响更小，数据采集过程以及流程简单；通过呼吸信号和体动信号的同步处理，奠定了高准确度的基础，其方法分析的结果精确度高，其结果提供的参考价值合理，无创方式，减小受试者应激反应，结果的真实性高；本发明总体系统组成简单，方法对数据的分析及分类更适合进行初筛工作；对有呼吸暂停障碍的患者以及存在潜在呼吸暂停障碍人群进行长期监测以及风险预警，安全性高。

附图说明

图1为本发明初筛系统组成的流程图。

图2为本发明对BCG信号预处理过程的流程图。

图3为本发明BCG信号处理后的信号形态波形图。

图4为本发明方法呼吸暂停特征提取波形示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，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。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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，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”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。下面根据本发明的整体结构，对其实施例进行说明。

实施例一：请参阅图1-图4，本发明提供一种基于BCG信号的睡眠呼吸暂停初筛方法，包括如下步骤：

一种基于BCG信号的睡眠呼吸暂停初筛方法，包括如下步骤：

步骤S1：采集BCG信号，并对BCG信号进行预处理滤波；

步骤S2：对BCG信号滤波，分离出混叠在BCG信号中的呼吸信号；

步骤S3：根据体动持续时间和信号幅值对BCG信号进行体动信号分类，并记录体动信号集合MVS及体动时间集合MVST,计算出体动信号的呼吸暂停特征Apnea_mvCut，并汇聚为新的集合ApneaMV；

步骤S4：在步骤S3进行的同时，截取BCG信号中任一时间段N的呼吸信号Bre_sig，计算该时间段N内呼吸信号Bre_sig的平均差m_dev_N；

步骤S5：在该时间段N的呼吸信号Bre_sig中，从第0秒位置截取固定时间n内呼吸信号的数据段seg

步骤S6：作集合｛SEG

步骤S7：将步骤S6计算得到的一次呼吸暂停信号特征apnea的持续时长apnea_times=∑apnea

如图1所示，一种基于BCG信号的睡眠呼吸暂停初筛系统,包括BCG信号采集模块，所述BCG信号采集模块连接BCG信号预处理模块，所述BCG信号预处理模块同时连接呼吸信号处理模块和体动信号处理模块；所述呼吸信号处理模块和体动信号处理模块同时连接呼吸暂停特征识别模块，所述呼吸暂停特征识别模块连接呼吸暂停事件输出模块；

BCG信号采集模块，用以采集BCG信号，可采用无感式BCG传感器，安装在受试者的床垫上及其他能具备测量数据的位置；

BCG信号预处理模块，用以对BCG信号进行预处理滤波消除信号工频干扰，分离其中的呼吸信号；BCG信号预处理模块具体预处理的方式是通过形态学滤波器去除0.5Hz以内的低频信号的基线干扰，并基于平均心博周期构建多尺度BCG模板，按照动态时间规整算法进行心跳周期定位，完成提取呼吸信号。

BCG信号预处理模块，用以对BCG信号进行预处理滤波，分离其中的呼吸信号；

呼吸信号处理模块，用以对任意一段BCG信号分析，计算某时间段内呼吸信号的平均差以及数据段的平均差；

体动信号处理模块，用以根据体动持续时间和信号幅值对体动特征进行分类和记录；

呼吸暂停特征识别模块，用以根据数据段的平均差和呼吸信号的平均差之比，界定当前时间段中的呼吸暂停次数，并收录为一个集合；

呼吸暂停事件输出模块，用以将所有时间段中的呼吸信号得到的集合A和体动信号得到的集合ApneaMV统一整理记录。

实施例二，若记录8h睡眠时长，共需记录28800S，参阅图1-图4，本发明提供一种基于BCG信号的睡眠呼吸暂停初筛方法，包括如下步骤：

步骤S1：采集BCG信号，并对BCG信号进行预处理滤波；

步骤S2：对BCG信号滤波，对BCG信号滤波采用数学形态学滤波器的方式分离出混叠在BCG信号中的呼吸信号；

步骤S3：根据体动持续时间和信号幅值对BCG信号进行体动特征分类，具体为：

将体动特征的信息整合在5分钟的时间窗内，时间窗内的体动特征的集合记MVS=｛mv

在MVS集合中计算相邻体动特征的时间差time_diff： time_diff

二次计算体动特征的时间差time_diff

计算体动时间的平均偏差Dev_time，其公式为Dev_time

Apnea_mvCut=∑Apnea

当Apnea_mvCut>4时，标记当前体动特征集合MVS存在呼吸暂停事件特征，将MVS集合内满足Apnea_mvCut>4的体动特征mv

体动特征分为3个类型，具体为：Type1：体动持续时间小于1S的信号突变，且信号幅值大于正常信号的2倍；Type2：体动持续时间在1s—3s范围内的，且信号幅值大于正常幅值的2倍，不超过正常幅值的3倍；Type3：体动持续时间大于3s，且信号幅值大于正常幅值的3倍；体动的数据特征包括体动开始时间mv_bgn_time，体动持续时间mv_len，体动的类型mv_type，表示为：[mv_bgn_time, mv_len, mv_type]，并记录每次体动的数据特征；

步骤S4：如图3截取总时长中BCG信号中30S时间段的呼吸信号Bre_sig，30S时间段的呼吸信号Bre_sig是在无干扰状态下截取的，并计算该30S时间段内呼吸信号Bre_sig的平均差m_dev_30；呼吸信号Bre_sig的30秒信号的平均差记为m_dev_30，计算公式为：

步骤S5：如图4所示，在该30S时间段的呼吸信号Bre_sig中，从第0秒位置截取固定时间10S内的呼吸信号数据段seg

步骤S6：作集合｛SEG

apnea

步骤S7：将步骤S6计算得到的一次呼吸暂停信号特征apnea的持续时长apnea_times=∑apnea

根据上述步骤得到在集合A内列出当前30S时间段内，共计算20次，例如最终计算得出的呼吸暂停集合A=｛1,1,1,1,1｝，由此可见，在集合A中的30S数据段中呼吸暂停持续的时间为5秒，最终将28800S内的所有30S数据段内的多个集合按时间进行顺序排列，集合A的数量代表在8h内呼吸暂停的次数，最终完成以30S为一个单位，记录8h内所有的呼吸暂停次数的数据；通过体动信号进行判断呼吸暂停特征，对体动信号的特征分类以及时间窗的形式进行分割，其中集合ApneaMV中mv

一种基于BCG信号的睡眠呼吸暂停初筛系统同样按实施例一说明，由上述实施例可以看出本发明提供的计算方法，通过体动信号和呼吸信号双重验证当前受试者的睡眠状态，并且采用该系统的无感知测试条件及无创伤的方式，对于受试者在睡眠时依然能保持正常状态，测试结果的真实性大幅度提升，使测试结果更加准确，该方法的计算方式可以精确分析及分类，能实时观测预期风险，安全性得以提升。

其中，上述实施例为经过多次试验获得的效果最佳的呼吸暂停初筛方法，其系统也是针对该方法做出的结构上的调整，就上述实施例来说，睡眠记录的总时间可根据测试对象的不同或试验的场景不同进行变化，截取的时间段也可根据总时长的大小或精细化程度来进行合理的改变；但均不违背本发明的初衷。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明，因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。