一种基于循环神经网络及毫米波的OSAHS诊断系统

技术领域

本发明涉及雷达信号处理及呼吸检测领域，尤其是涉及一种基于循环神经网络及毫米波的OSAHS诊断系统。

背景技术

老年人居家养老的比例为90％，空巢化趋势与独居老人增多，中国现患有心血管疾病2.9亿人，其中高血压人数高达2.45亿人，能够实现远程实时居家监控的智能医疗设备需求量不断增加。睡眠呼吸暂停综合征是一类常见的呼吸相关疾病，不仅影响患者的日常生活状态，更有可能引发高血压、中风、糖尿病等疾病。近年来一些高血压、冠心病的老人在起夜时跌倒或者在睡眠过程中发生猝死的事情时有发生。目前生命体征检测最常见的方式就是通过电极或者传感器接触人体采集信号，但是对于急诊抢救病人、情绪不稳定病人、大面积烧伤病人等特殊患者，接触式采集生命体征难以及时、直接进行，并且容易对人体施加一定刺激，既给患者造成痛苦，又容易影响检测结果的准确性。

对于睡眠呼吸暂停综合征来说，中枢型、阻塞型及混合型呼吸暂停综合征的病因及危害都各不相同。阻塞性睡眠呼吸暂停(obstructive sleep apnea hyperpnoeasyndrome简称OSAHS)，即在睡眠中因上气道阻塞引起呼吸暂停，表现为口鼻腔气流停止而胸腹呼吸动作尚存在。中枢性睡眠呼吸暂停(central sleep apnea syndrome简称CSAS)，即口鼻腔气流和胸腹呼吸动作同时停止。混合性睡眠呼吸暂停(mixed sleep apneasyndrome简称MSAS)，即上述两者并存，以中枢性呼吸暂停开始，继之表现为阻塞性睡眠呼吸暂停。睡眠中潮气量减小，即呼吸气流降低超过正常气流强度的50％以上，伴血氧饱和度下4％以上，称为呼吸不全或低通气。因此为了更好地治疗，需要能够准确地判别出各类的呼吸暂停综合征。通过神经网络对胸腔运动事件进行判别分类，可以提高效率，但是标准RNN神经网络存在梯度消失的问题。

发明内容

为解决现有技术的不足，实现长期保存序列中的信息的目的，本发明采用如下的技术方案：

一种基于循环神经网络及毫米波的OSAHS诊断系统，包括依次连接的雷达接收前端模块、背景杂波滤除模块、胸腔运动特征提取模块和分类模块；

所述雷达接收前端模块，通过毫米波雷达采集回波信号；

所述背景杂波滤除模块，对背景杂波进行滤除；

所述胸腔运动特征提取模块，对胸腔运动波形进行特征提取；

所述分类模型，采用GRU神经网络，对提取的胸腔运动波形特征进行分类训练，并通过并通过训练好的分类模型进行呼吸波形的自动识别与检测，GRU是标准循环神经网络的改进版，使用了更新门与重置门，这两个门控向量决定了哪些信息最终能作为门控循环单元的输出，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除。

进一步的，所述雷达接收前端模块，采用VCO进行扫频，采用FMCW方式进行信号发送与接收，接收到的中频信号使用ADC进行采样。

进一步的，所述背景杂波滤除模块，选取回波功率谱的前后参考窗中均值较小者，作为背景功率的估计值Z＝min(X,Y)，X、Y分别是前后参考窗口的均值，将虚警概率与背景功率的估计值相乘，得到检测门限，所述虚警概率为：

其中n＝N/2表示半参考窗长度，α是门限因子，在雷达检测过程中很可能会因为杂波或者干扰的影响无法发现目标，造成漏警，因此需要有门限，另外也可能会发生将杂波或干扰判断为有目标的情况，即产生虚警；

设定波束单元有N个，杂波图距离单元有P个，则位于(p,k)的杂波图单元的估计值为1≤p≤P，1≤k≤K，l

进一步的，所述判定当前检测的杂波图单元中是否存在目标的具体过程为：若检测信号的雷达的距离单元的回波强度

进一步的，所述波束宽度，是在最大辐射方向两侧，辐射功率下降3dB的两个方向的夹角。

进一步的，所述背景杂波滤除模块与胸腔运动特征提取模块之间设置胸腔运动波形复原模块，根据差频和相位对滤波后的结果进行胸腔波形进行复原，滤波后的波形根据其得到的中频信号结合相位信息，得到距离信息，将距离信息根据时间帧复原出胸腔运动的波形。

进一步的，所述胸腔运动特征提取模块，对得到的胸腔运动数据进行特征提取，得到胸腔运动的幅度特征X(t)；

进一步的，所述分类模型通过GRU神经网络将原始数据X

选择sigmoid函数作为模型最后的输出

进一步的，所述分类模型确定训练样本集D＝{(X

进一步的，所述分类模型的训练初始参数包括：学习率为0.0005，训练轮数为800，批次大小为64。

本发明的优势和有益效果在于：

本发明的系统有着价格低廉，易于携带且不影响被测患者睡眠等优势，可以适配绝大部分呼吸暂停综合征患者；能够根据呼吸暂停综合征种类划分胸腔运动类型：正常状态、阻塞暂停状态、中枢暂停状态、混合暂停状态，研究四类胸腔运动的特征差异，更为精确的实现四类呼吸暂停的自动分类，并综合各类胸腔运动情况以及AHI指数，可以更为准确地判别被测患者的呼吸暂停综合征情况，便于医生对症治疗。

附图说明

图1是本发明的系统框图。

图2是本发明的系统工作流程示意图。

图3是本法中神经网络分类模型工作流程示意图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

GRU是标准循环神经网络的改进版，GRU使用了更新门(update gate)与重置门(reset gate)。基本上，这两个门控向量决定了哪些信息最终能作为门控循环单元的输出。这两个门控机制的特殊之处在于，它们能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除。

如图2所示，基于循环神经网络及毫米波的OSAHS诊断系统，该系统可以提取被测患者的胸腔运动事件，并通过高效的神经网络对胸腔运动事件进行判别分类，从而判断出患者的呼吸暂停综合征种类，其工作流程包括以下步骤：

S10，通过毫米波雷达采集到回波ADC信号；

S20，对ADC信号进行DFT变换后使用SO-CFAR对背景杂波进行滤除；

S30，对滤波后的胸腔波形进行复原；

S40，对胸腔运动波形进行特征提取；

S50，使用GRU神经网络及设置训练参数、方案；

S60，训练模型，使用保存好的模型完成对正常状态、阻塞暂停状态、中枢暂停状态、混合暂停状态的四分类，完成各类呼吸波形的自动识别与检测。

所述步骤S10，使用VCO进行扫频，使用FMCW方式进行信号发送与接收，接收到的中频信号使用ADC进行采样。

所述步骤S20，选取回波功率谱的前后参考窗(参考窗可以设置为滑窗)中均值较小者作为背景功率的估计值，Z＝min(X,Y)，Z是背景功率的估计值，X、Y分别是前后参考窗口的均值，门限因子α与虚警概率的关系为：

其中n＝N/2表示半参考窗长度，在雷达检测过程中很可能会因为杂波或者干扰的影响无法发现目标，造成漏警，因此需要有门限；另外也可能会发生将杂波或干扰判断为有目标的情况，即产生虚警。将虚警概率与背景功率的估计值相乘，得到检测门限。

设定波束单元有N个，杂波图距离单元(雷达探测范围划分成的距离单元)有P个，则位于(p,k)的杂波图单元的估计值为1≤p≤P，1≤k≤K，l

若检测信号的相应单元(雷达的距离单元)的回波强度

所述步骤S30，滤波后的波形根据其得到的中频信号结合相位信息，得到距离信息，将距离信息根据时间帧复原出胸腔运动的波形；

所述步骤S40，胸腔运动特征提取模块，对得到的胸腔运动数据进行特征提取，得到胸腔运动的幅度特征X(t)；

所述步骤S50，使用GRU神经网络及设置训练参数、方案，如图3所示，将原始数据X

选择sigmoid函数作为模型最后的输出

确定训练样本集D＝{(X

混合神经网络模型的训练初始参数包括：学习率为0.0005，训练轮数为800，批次大小为64。

所述步骤S60，训练模型，使用保存好的模型完成对正常状态、阻塞暂停状态、中枢暂停状态、混合暂停状态的四分类，完成各类呼吸波形的自动识别与检测。使用训练好的胸腔运送监测网络对被测人体的胸腔运动信号进行实时分类，判断是否异常，在网络得到任意异常分类结果时，给出警告反馈。

如图1所示，一种基于循环神经网络及毫米波的OSAHS诊断系统，包括雷达信号接收前端模块、背景杂波滤除模块、胸腔运动特征提取模块、GRU OSAHS四分类模块。

所述雷达信号接收前端模块，通过毫米波雷达采集患者整晚胸腔运动波形。

所述背景杂波滤除模块，对得到的雷达回波信号经过SO-SFAR算法进行滤波处理，去除背景噪声。

所述胸腔运动特征提取模块，根据差频和相位对胸腔波形进行复原，对胸腔运动进行特征提取。

所述GRU OSAHS四分类模块，使用模型对所有的胸腔运动段进行各类呼吸暂停类型的自动识别与检测，并完成统计，根据AHI指数完成对各类呼吸暂停综合征的分类检测。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。