睡眠呼吸暂停综合征识别方法、装置、计算机和存储介质

技术领域

本发明涉及睡眠呼吸暂停综合征识别技术领域，特别涉及一种睡眠呼吸暂停综合征识别方法、装置、计算机和存储介质。

背景技术

睡眠呼吸暂停综合征（SAS）是一种睡眠时候呼吸停止的睡眠障碍。最常见的原因是上呼吸道阻塞，经常以大声打鼾、身体抽动或手臂甩动结束。睡眠呼吸暂停伴有睡眠缺陷、白天打盹、疲劳，以及心动过缓或心律失常和脑电图觉醒状态，可分为中枢型、阻塞型及混合型。

SAS对人体健康有巨大危害，甚至可能危及生命安全，因此SAS风险评估至关重要。SAS会影响多种生理信号，如脑电图（EEG）、心电图（ECG）、眼电图（EOG）、肌电图（EMG）、呼吸、姿态、血氧饱和度等。多导睡眠描记术（PSG）可全面记录人在睡眠时的生理变化，是SAS风险评估金标准。然而，由于PSG需要专门的设备和专业医师辅助，且价格昂贵，无法应用于日常生活中。

目前，已有一些技术可用于非医院环境中的SAS风险评估，如基于脑电图、眼动追踪的睡眠监测技术。脑电波和眼动的变化可以直接反应人的睡眠状态，从而揭示睡眠呼吸暂停综合征（SAS）风险，因此评估精度较高。然而，这两种技术所需设备佩戴复杂、价格高昂，推广较为困难。

目前缺乏快速、准确识别睡眠呼吸暂停综合征的种类的手段。因此，如何快速、准确识别睡眠呼吸暂停综合征的种类的是亟需解决的。

发明内容

基于此，有必要针对上述技术问题，提供一种睡眠呼吸暂停综合征识别方法、装置、计算机和存储介质。

一种睡眠呼吸暂停综合征识别方法，包括：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

在其中一个实施例中，所述将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征的步骤包括：

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到基于时频的所述信号特征。

在其中一个实施例中，所述将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征的步骤包括：

根据预设时间间隔对各类的所述样本生理信号分别进行切割，得到多个信号单元；

通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在其中一个实施例中，所述通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征的步骤包括：

通过haar小波对各所述信号单元进行五层的Mallat分解，得到低频信号和高频信号；

采用下列计算式，对所述低频信号的能量和所述高频信号的能量进行归一化处理：

其中，

归一化处理后得到构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在其中一个实施例中，所述基于各所述信号特征建立能量特征数据集的步骤包括：

将各类的所述信号特征在同一时间的信号单元的能量向量作为一个样本进行缝合，建立所述能量特征数据集。

在其中一个实施例中，所述样本生理信号包括心率、血氧含量、姿态信号、声音信号和维生素C浓度信号。

一种睡眠呼吸暂停综合征识别装置，包括：

样本生理信号采集模块，用于采集获取多个用户的各类的样本生理信号；

信号特征提取模块，用于将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

能量特征数据集建立模块，用于基于各所述信号特征建立能量特征数据集；

识别模型生成模块，用于使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

一种计算机程序，所述计算机程序被处理器执行时实现以下步骤：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

上述睡眠呼吸暂停综合征识别方法、装置、计算机和存储介质，在采集得到用户的身体的各种样本生理信号后，利用基于Mallat分解的特征提取模型提取信号特征，并且利用能量特征数据集合对K最近邻模型进行训练，从而得到能够识别睡眠呼吸暂停综合征的分类模型，不仅能够识别出识别睡眠呼吸暂停综合征，还能够识别出识别睡眠呼吸暂停综合征的种类，相较于传统的监测手段，识别效果更为高效、更为准确。

附图说明

图1为一个实施例中睡眠呼吸暂停综合征识别方法的应用场景示意图；

图2为一个实施例中睡眠呼吸暂停综合征识别方法的流程示意图；

图3为一个实施例中睡眠呼吸暂停综合征识别装置的结构框图；

图4为一个实施例中计算机设备的内部结构图；

图5为一个实施例中的睡眠呼吸暂停综合征识别方法的数据处理过程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

实施例一

本申请提供的睡眠呼吸暂停综合征识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、服务器、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，比如，该终端102为智能腕带。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，终端102为手环或者腕带，终端102采集获取多个用户的各类的样本生理信号，并发送至服务器104，服务器104将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；基于各所述信号特征建立能量特征数据集；使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

实施例二

本实施例中，如图2所示，提供了一种睡眠呼吸暂停综合征识别方法，其包括：

步骤210，采集获取多个用户的各类的样本生理信号。

本实施例中，通过各类传感器模块采集获得不同用户的人体的生理信号作为样本生理信号，作为模型的样本。

在一个实施例中，所述样本生理信号包括心率、血氧含量、姿态信号、声音信号和维生素C浓度信号。

本实施例中，各传感器模块设置于智能腕带上，比如，传感器包括光电传感模块、惯性测量单元（IMU，Inertial Measurement Unit）传感模块、声音传感模块以及维生素C传感模块。光电传感模块利用光电容积描记法（PPG，Photo PlethysmoGraphy）采集心率和血氧含量，声音传感模块用于采集声音信号，惯性测量单元传感模块用于采集姿态信号，维生素C传感模块用于采集维生素C浓度信号。

本实施例中，该智能腕带包括电源、充电模块、微控制器、存储模块、光电传感模块、惯性测量单元传感模块、声音传感模块以及维生素C传感模块，各传感器采集的信号转换为数字信息，存储在存储模块中。控制逻辑如下：微控制器控制存储模块和四个传感器模块，在每个采样时刻，微控制器轮询读取各传感器采集到的数据，并整合数据包进行存储。在下一个采样时刻到来之前，微控制器与传感器模块均进入休眠状态，以降低功耗。定时器中断到来时，各模块恢复正常工作，并重复采样过程。

光电传感器模块利用光电容积描记法（PPG）采集心率和血氧信息，其原理为当LED光射向皮肤，透过皮肤组织反射回的光被光敏传感器接受，接收到的光信号被光敏传感器转换成电信号，再经过AD转换成数字信号。LED光在反射之后会发生衰减，在测量时没有大幅运动的情况下，肌肉、骨骼等组织对光的吸收基本保持恒定，只包含在电信号的直流部分中，而动脉对光的吸收随着血液流动而发生变化，组成了电信号中的交流部分。因此，提取交流信号即可反应心率。血液中氧合血红蛋白HbO

光电传感器主要包含三个可调制LED，光敏传感器、滤波器、信号放大电路和模数转换电路。三个LED分别发出绿光（550nm）、红光（660nm）和红外光（940nm），光波长可根据用户的皮肤及血管特征进行调制。经过血管反射的光信号被光敏传感器接收并转化成电信号，经过滤波、放大之后，再通过模数转换电路转换成数字信号输出。

绿光代表的心率信号呈波峰-波谷周期性变化，每一次脉搏跳动对应一次波形的突变，通过对波峰进行计数，即可计算心率。算法如下：记原始信号为S, 本征模式函数为IMF。将心率信号进行经验模态分解，分解结果中：IMF(1)代表高频噪声, 需要滤除；IMF(3)频率与心率相近, 将其与原始数据相加, 提高信号的功率；IMF(4)代表着低频的运动伪影, 需要滤除。因此，最终用于峰值提取的信号为S-IMF(1)-IMF(4)+IMF(3)。利用峰值提取算法，寻找用于峰值提取的信号的局部峰值点，且两个峰值点间隔至少大于0.3s (对应180bpm心率)。取该事件序列中的所有峰值事件的时间间隔平均值，并根据采样率，即可求得心率。

根据Beer-Lambert定律计算血氧含量，假设入射光强度为I_0，反射光强度中的直流分量可表示为下列计算式（2）：

其中，

其中

假设两光的波长为

其中A和B是与HbO

SAS会影响用户在睡眠过程中的动作频率和幅度。惯性测量单元传感模块采用九轴IMU，该九轴IMU包含三轴陀螺仪、三轴加速计和三轴磁强计，是九轴运动跟踪设备。对加速度计和磁强计进行椭球校准，对陀螺仪进行零漂校准。将采样率设置为10Hz，并对采集到的信号进行滤波处理。

呼吸和鼾声可直接反映睡眠状态，若呼吸和鼾声急促不稳定，且易中断，则表明用户极有可能患有SAS。声音传感模块包括MEMS麦克风、信号处理电路和模数转换电路。麦克风收集人声信号并转化成电信号，传输至信号处理电路进行降噪和放大，模数转换电路将模拟信号转换为数字信号输出。

SAS患者体内维生素C含量低，氧化还原失衡。可以通过收集汗液来检测体内维生素C的含量。维生素C传感模块包括感应贴片和信号处理电路，感应贴片正极含有抗坏血酸氧化酶，能够催化汗液中的褪黑素与氧气反应，该过程会在正负极之间产生氧化还原电流，通过电路检测电流大小实现对汗液中维生素C的检测。电流信号通过信号放大、ADC转换，最终测量值与汗液中维生素C含量成正比。

智能腕带易受环境噪声、生理伪影的影响，各传感器间也存在电磁干扰，均会对传感数据造成影响。设计差模滤波电路、共模滤波电路、50Hz的陷波滤波器进行滤波。对于滤波后的信号，采用自适应阈值法检测异常点，并使用阈值代替异常点的值，完成数据的预处理。

步骤220，将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征。

应该理解的是，不同种类的生理信号可划分为不同维度的生理信号，即一类生理信号即为一个维度的生理信号。由于采集到的生理信号的维度较多，如果直接进行分类，易造成过拟合的问题。因此，首先对采集的心率、血氧含量、姿态信号、声音信号和维生素C浓度信号进行特征提取，从而提取出信号特征。

步骤230，基于各所述信号特征建立能量特征数据集。

本实施例中，将各信号特征进行缝合，建立能量特征数据集。

在一个实施例中，所述基于各所述信号特征建立能量特征数据集的步骤包括：将各类的所述信号特征在同一时间的信号单元的能量向量作为一个样本进行缝合，建立所述能量特征数据集。

本实施例中，将各维度的在同一时间内的信号单元的能量向量缝合，作为一个样本，建立新的能量特征数据集。

步骤240，使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

本实施例中，利用该能量特征数据集训练K最近邻模型，选择欧氏距离作为距离度量，通过网格搜索和交叉验证确定最佳的K值，从而生成可用于监测睡眠呼吸暂停综合征的分类模型。

应该理解的是，传统的的睡眠监测腕带由于仅基于心率和鼾声信号，只能判断是否患有SAS，无法区分SAS的类型，因此无法全面评估用户患SAS的风险。而本申请中，K最近邻模型不仅能够实现SAS的判断，还能够识别出SAS的种类，有效提高临床的监测效率，且使得监测结果更为准确。

步骤250，获取用户当前的人体生理信号。

本实施例中，在得到识别睡眠呼吸暂停综合征的分类模型后，通过用户佩戴的智能腕带采集用户的人体生理信号，能够在用户居家睡眠时，实时获取用户的人体生理信号，进行睡眠呼吸暂停综合征的监测和识别。

步骤260，将所述人体生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征，将基于所述信号特征建立的能量特征数据集输入用于识别睡眠呼吸暂停综合征的分类模型，通过所述用于识别睡眠呼吸暂停综合征的分类模型识别用户是否患有睡眠呼吸暂停综合征以及患有睡眠呼吸暂停综合征的种类。

本实施例中，在采集得到用户的身体的各种样本生理信号后，利用基于Mallat分解的特征提取模型提取信号特征，并且利用能量特征数据集合对K最近邻模型进行训练，从而得到能够识别睡眠呼吸暂停综合征的分类模型，不仅能够识别出识别睡眠呼吸暂停综合征，还能够识别出识别睡眠呼吸暂停综合征的种类，相较于传统的监测手段，识别效果更为高效、更为准确。

本实施例提出了一款基于心率、血氧饱和度、位姿、声音以及维生素C的腕带传感器，构建基于主成分分析和随机森林的双层结构Mallat分解与K最近邻融合的分类模型（Mallat-KNN），监测用户的睡眠状态，有效评估用户患SAS的风险并预测SAS类型，避免发生危险。

在一个实施例中，所述将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征的步骤包括：将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到基于时频的所述信号特征。

本实施例中，基于时频的信号特征指的是，基于时间和频率的信号特征，该基于时频的所述信号特征能够反映信号在时频上的变化。

在一个实施例中，所述将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征的步骤包括：根据预设时间间隔对各类的所述样本生理信号分别进行切割，得到多个信号单元；通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

本实施例中，该预设时间间隔为划分样本生理信号的时频，比如，该预设时间间隔为30秒，按照30秒的时间长度将各维度的样本生理信号划分为多个信号单元。通过haar小波转换对信号单元进行五层的Mallat分解，得到1个低频信号和5个高频信号，并计算1个低频信号和5个高频信号的能量，从而得到1个低频信号的能量和5个高频信号的能量，随后对低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，该能量向量即为号单元的特征。

在一个实施例中，所述通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征的步骤包括：通过haar小波对各所述信号单元进行五层的Mallat分解，得到低频信号和高频信号；采用下列计算式（5）、（6）、（7），对所述低频信号的能量和所述高频信号的能量进行归一化处理：

其中，

归一化处理后得到构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

实施例三

本实施例中，提供一种可用于SAS风险评估的智能腕带，如图5所示，智能腕带设置有九轴惯性测量单元、光电传感器、MEMS麦克风和维生素C传感器，腕带通过测量单元获取用户位姿及运动信号，通过MEMS麦克风获取声音信号，腕带背部集成光电传感器监测心率、血氧信息，通过以及维生素C传感器采集用户的维生素C的浓度。可实现对无SAS风险、存在阻塞型SAS风险、存在中枢性SAS风险和存在混合型SAS风险四种状态的判别，从而有效预防SAS。

采用基于Mallat分解和KNN的双层机构模型对SAS风险进行分类。第一层模型通过Mallat分解提取信号的时频特征，构建特征数据集输入第二层KNN模型，实现SAS风险的分类和预测。数据处理算法如下：

由于采集到的信号维度较多，若直接进行分类，易造成过拟合的问题。因此，首先对预处理后的心率、血氧、九轴位姿数据、声音信号序列以及体内维生素C的浓度数据进行特征提取。

对所有维度的数据进行以30s为间隔的切割，作为一个信号单元。通过haar小波对每个信号单元进行5层Mallat分解，得到1个低频信号和5个高频信号，使用公式5-7计算信号单元分解后得到的低频信号和高频信号的能量，并对其归一化，构成能量向量，作为该信号单元的特征。

其中，

将所有维度在同一时间内的信号单元的能量向量缝合，作为一个样本，建立新的能量特征数据集。利用该数据集训练K最近邻模型，选择欧氏距离作为距离度量，通过网格搜索和交叉验证确定最佳的K值，从而生成可用于监测SAS患病风险及患病种类的分类模型。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

实施例四

本实施例中，如图3所示，提供一种睡眠呼吸暂停综合征识别装置，包括：

样本生理信号采集模块310，用于采集获取多个用户的各类的样本生理信号；

信号特征提取模块320，用于将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

能量特征数据集建立模块330，用于基于各所述信号特征建立能量特征数据集；

识别模型生成模块340，用于使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

在一个实施例中，所述信号特征提取模块用于将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到基于时频的所述信号特征。

在一个实施例中，所述信号特征提取模块包括：

信号切割单元，用于根据预设时间间隔对各类的所述样本生理信号分别进行切割，得到多个信号单元；

信号特征提取单元，用于通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，所述信号特征提取单元还用于通过haar小波对各所述信号单元进行五层的Mallat分解，得到低频信号和高频信号；采用下列计算式，对所述低频信号的能量和所述高频信号的能量进行归一化处理：

其中，

归一化处理后得到构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，所述能量特征数据集建立模块还用于将各类的所述信号特征在同一时间的信号单元的能量向量作为一个样本进行缝合，建立所述能量特征数据集。

在一个实施例中，所述样本生理信号包括心率、血氧含量、姿态信号、声音信号和维生素C浓度信号。

关于睡眠呼吸暂停综合征识别装置的具体限定可以参见上文中对于睡眠呼吸暂停综合征识别方法的限定，在此不再赘述。上述睡眠呼吸暂停综合征识别装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。

实施例五

本实施例中，提供了计算机设备，该计算机设备可以是便携式可穿戴设备，本实施例中，该计算机设备为智能腕带。其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有计算机程序，且该非易失性存储介质用于存储用户的人体生理信号。该内存储器为非易失性存储介质中的计算机程序的运行提供环境。该计算机设备的网络接口用于与其他计算机设备通信，比如与服务器连接，该网络接口为无线网络接口，能够接入移动通信网络与服务器连接。该计算机程序被处理器执行时以实现一种情绪识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，在一些实施例中，该输入装置包括触感器，该输入装置包括光电传感模块、惯性测量单元（IMU）传感模块、声音传感模块以及维生素C传感模块。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到基于时频的所述信号特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据预设时间间隔对各类的所述样本生理信号分别进行切割，得到多个信号单元；

通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过haar小波对各所述信号单元进行五层的Mallat分解，得到低频信号和高频信号；

采用下列计算式，对所述低频信号的能量和所述高频信号的能量进行归一化处理：

其中，

归一化处理后得到构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将各类的所述信号特征在同一时间的信号单元的能量向量作为一个样本进行缝合，建立所述能量特征数据集。

在一个实施例中，所述样本生理信号包括心率、血氧含量、姿态信号、声音信号和维生素C浓度信号。

实施例六

本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到基于时频的所述信号特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据预设时间间隔对各类的所述样本生理信号分别进行切割，得到多个信号单元；

通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过haar小波对各所述信号单元进行五层的Mallat分解，得到低频信号和高频信号；

采用下列计算式，对所述低频信号的能量和所述高频信号的能量进行归一化处理：

其中，

归一化处理后得到构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各类的所述信号特征在同一时间的信号单元的能量向量作为一个样本进行缝合，建立所述能量特征数据集。

在其中一个实施例中，所述样本生理信号包括心率、血氧含量、姿态信号、声音信号和维生素C浓度信号。

实施例七

本实施例中，提供了一种计算机程序，计算机程序被处理器执行时实现以下步骤：

采集获取多个用户的各类的样本生理信号；

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到信号特征；

基于各所述信号特征建立能量特征数据集；

使用所述能量特征数据集对K最近邻模型进行训练，得到用于识别睡眠呼吸暂停综合征的分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各类的所述样本生理信号输入至基于Mallat分解的特征提取模型进行特征提取，得到基于时频的所述信号特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据预设时间间隔对各类的所述样本生理信号分别进行切割，得到多个信号单元；

通过haar小波对各所述信号单元进行五层的Mallat分解，得到的低频信号的能量和高频信号的能量，对所述低频信号的能量和所述高频信号的能量进行归一化处理，构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过haar小波对各所述信号单元进行五层的Mallat分解，得到低频信号和高频信号；

采用下列计算式，对所述低频信号的能量和所述高频信号的能量进行归一化处理：

其中，

归一化处理后得到构成能量向量，将所述能量向量作为所述信号单元的所述信号特征。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将各类的所述信号特征在同一时间的信号单元的能量向量作为一个样本进行缝合，建立所述能量特征数据集。

在其中一个实施例中，所述样本生理信号包括心率、血氧含量、姿态信号、声音信号和维生素C浓度信号。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。