买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州电子科技大学

摘要：本发明公开了基于图卷积神经网络的低通气和呼吸暂停自动识别系统，通过麦克风阵列采集正常人和鼾症患者整晚睡眠呼吸声音；对采集的原始数据进行降噪后，利用端点检测算法提取潜在鼾声片段，并进行标记；利用可视图方法将鼾声数据的时间特性转换为网络结构，构建图卷积神经网络模型识别三种不同类型的鼾声；对模型分类结果进行统计，计算受试者整晚睡眠呼吸暂停低通气指数AHI，以辅助完成对阻塞性睡眠呼吸暂停低通气综合征OSAHS患者的诊断与评估。本发明的系统避免了人工特征设计困境，可用于对专业性要求不高的居家等场景，辅助实现OSAHS患者的早期筛选与病情评估。

主权项：1.基于图卷积神经网络的低通气和呼吸暂停自动识别系统，包括依次连接的睡眠呼吸音频采集模块、波束形成降噪模块、有效鼾声片段截取模块、鼾声序列转换模块、图卷积神经网络模型、呼吸事件相关鼾声统计模块，其特征在于：所述睡眠呼吸音频采集模块，使用一组信号接收单元阵列，采集受试者整晚睡眠呼吸音频数据；所述波束形成降噪模块，将采集到的多个睡眠呼吸音频合成单声道音频数据；所述有效鼾声片段截取模块，通过小波变换，从降噪的睡眠呼吸音频信号中，自动提取候选鼾声片段，并对正常鼾声、低通气事件过程鼾声和呼吸暂停后鼾声进行标记；所述鼾声序列转换模块，将有标记的有效鼾声序列的时间特性转换为网络结构；候选鼾声片段，在时间上是离散的时间序列，根据离散时间序列Xn＝x1,x2,…,xn，对应可视图网络的节点为时间节点xi，网络的边由如下规则确定： 其中,a、b、c∈n，t表示时间点，如果xa、xc满足上述规则，则xa与xc之间存在连边，连边的权重为： 遍历时间序列Xn的所有时间点后得到对应的可视图网络；所述图卷积神经网络模型，通过有标签的网络结构，训练图卷积神经网络模型实现不同鼾声的分类，包括节点序列选取单元、感受野构建单元、感受野归一化单元和卷积神经网络；节点序列选取单元用于选择可视图网络的w个中心节点序列；感受野构建单元构建每个中心节点的感受野；感受野归一化单元用于构建节点属性特征输入通道和边属性特征输入通道；卷积神经网络，提取并合并节点属性特征和边属性特征，进行分类；所述节点序列选取单元，针对每一个鼾声片段所对应的可视图网络，统计各个节点的连接个数，即节点的度并对其进行降序排列，得到一组重新排列的节点y1,y2,…,yn，以步长s选择排名靠前的w个节点作为中心节点，恢复至原始顺序后得到新的节点序列，记为z1,z2,…,zw，不足w个中心节点，以零补足；所述感受野构建单元，对于每一个中心节点zii＝1,2,…,w，利用广义优先搜索算法，在原始网络中寻找距离其最近的k-1个邻居节点构成感受野Ri；所述感受野归一化单元，对于每一个中心节点zii＝1,2,…,w，其感受野Ri中每一个邻居节点，按照原始时间序列的前后顺序排列，构成一维向量Vi＝[v1,v2,…,vk]，其中vj对应原始时间序列相应时刻的属性值，构成节点属性特征输入通道；感受野内的边属性，构成了k*k的二维向量，构成边属性特征输入通道；所述卷积神经网络，用于提取网络特征，包括一维卷积层、二维卷积层、合并单元、分类单元，一维卷积层提取一维节点属性的特征，二维卷积层提取二维边属性特征，之后通过合并单元进行特征合并，再通过分类单元进行分类；所述呼吸事件相关鼾声统计模块，通过训练好的图卷积神经网络模型评估新的受试者，统计模型输出中低通气和呼吸暂停相关鼾声的数量。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于图卷积神经网络的低通气和呼吸暂停自动识别系统