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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

深度学习是人工智能(AI)的一个子领域，在医学领域正在迅速发展。深度学习系统可以接受多种数据类型，例如图像或时间序列，这些数据类型将基于机器学习模型通过多个处理层进行处理，以逐步学习数据的表示形式并最终提供输出。在医疗保健领域，深度学习技术可能具有诊断，治疗，人群健康管理以及管理和调节的潜在用途。

本发明实施例中提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测方法，图1为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测方法流程图，如图1所示，该方法包括如下步骤：

S101，将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果。

可选地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，在训练生理数据阻塞性睡眠呼吸暂停检测模型时，采用的网络模型包括如下任意之一：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型。

S102，将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，图像数据中包含：从多个预设角度拍摄被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中。

需要说明的是，为了简化模型运算，且能够获得较好的分类结果，本发明实施例中采用的预设角度包括但不限于如下五个方向：正面、侧面朝左、侧面朝右、45度朝左、45度朝右。

可选地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，在训练各个预设角度的图像数据阻塞性睡眠呼吸暂停检测模型时，采用的网络模型包括如下任意之一：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型。

S103，将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出被检测对象的AHI分类结果。

需要说明的是，本发明实施例中采用的图像数据阻塞性睡眠呼吸暂停检测模型个数取决于拍摄的角度，如果拍摄角度为N个方向，则需要训练对应N个图像数据阻塞性睡眠呼吸暂停检测模型，最终将N个图像数据阻塞性睡眠呼吸暂停检测模型输出的分类结果与1个生理数据阻塞性睡眠呼吸暂停检测模型输出的分类结果，进行合并，得到最终的分类结果。

在一个实施例中，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法中，通过生理数据阻塞性睡眠呼吸暂停检测模型和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果为属于不同AHI分类的概率，上述集成学习算法模型用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率进行加权求和，得到被检测对象的AHI分类结果。

在一个实施例中，在将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果之前，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法还可以包括如下步骤：获取样本生理数据，其中，样本生理数据包括：具有不同AHI标签的样本对象的生理数据；按照预设比例，将样本生理数据划分为训练生理数据、验证生理数据和测试生理数据；根据训练生理数据，使用深度学习方法对如下任一种网络模型进行训练，得到生理数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证生理数据，对训练得到的生理数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试生理数据，对符合预设条件的生理数据阻塞性睡眠呼吸暂停检测模型进行测试。

进一步地，在将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果之前，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法还可以包括如下步骤：获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；按照预设比例，将样本图像数据划分为训练图像数据、验证图像数据和测试图像数据；根据训练图像数据，使用深度学习方法对如下任一种网络模型进行训练，得到对应多个预设角度头部图像的多个图像数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、LightGBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证图像数据，对训练得到的各个图像数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试图像数据，对符合预设条件的图像数据阻塞性睡眠呼吸暂停检测模型进行测试。

进一步地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，在将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果的时候，还可以通过如下步骤来实现：将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据，其中，人脸识别模型是对神经网络模型进行训练得到的模型；将人脸识别模型输出的脸部图像数据，输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果。

在一个实施例中，在将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据之前，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测方法，还包括如下步骤：获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；对样本图像数据中不同预设角度的头部图像进行聚类分析，得到属于每类OSA的高层表示子集；根据属于每类OSA的高层表示子集，对如下神经网络模型进行训练，得到属于每类OSA的人脸识别模型：残差神经网络模型、基于倒置残差模块的卷积神经网络模型。

图2为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测方法具体实现流程图，如图2所示，具体包括如下步骤：

S201，获取被检测对象的图像数据以及生理数据。

在具体实施时，获取的图像述数据包括但不限于被检测对象正面、侧面朝左、侧面朝右、45度朝左、45度朝右五个角度的头部图像。

S202，将获得的图像数据的输入进行图像预处理，仅保留脸部图像，并将图像放缩成为同样的大小。

在具体实施时，利用已知数据及相应AHI标签作为训练样本，其中已知数据对应的AHI标签可以是由对应的病人在佩戴PSG设备监控整晚之后确定的，本发明对此不作限定。利用AHI标签进行有无OSA类别划分，分类可包括但不限于：以AHI＝15为分类界限进行划分，也可以选择其他值进行分类，本发明对此不作限定。

S203，将被检测对象五个角度的图像数据作为五个图像数据阻塞性睡眠呼吸暂停检测模型的输入，得到五个模型对应的输出；同时将被检测对象的生理数据作为生理数据阻塞性睡眠呼吸暂停检测模型的输入，从而得到对应的输出。

在具体实施时，将处理好的样本划分为训练集、验证集和测试集，进行神经网络训练，通过训练分类器得到初步的人脸检测OSA模型；将处理好的样本划分为训练集、验证集和测试集，进行机器学习训练，通过训练分类器得到初步的生理数据检测OSA模型；在得到上述初步的检测OSA模型后，将经过处理的数据作为人脸模型OSA的输入信息，得到人脸识别OSA模型处理图像样本的输出作为相应图像的高层表示样本，进而得到各个样本的高层表示样本。其中人脸检测OSA模型处理图像数据样本的中间层输出应通过初步人脸检测OSA模型的特征层输出，将人脸检测OSA模型的特征曾输出作为相应样本的高层表示样本。

S204，对六个模型得到的输出进行加权求和获取最终的输出，得到最终的预测结果。本发明实施例中，采用的人脸检测阻塞性睡眠呼吸暂停疾病模型是根据已有的照片以及生理数据并以对应的病人在佩戴PSG设备监控整晚之后得到的呼吸暂停低通气指数(AHI)值作为标签经过深度学习方法训练得到的。

在具体实施时，利用上述各人脸检测OSA模型的特征层输出作为高层表示子集进行分类器训练，进行集成学习，得到最终的预测结果。

图3为本发明实施例中提供的一种模型训练流程图，如图3所示，具体包括：

S301，获取图像信息。

在具体实施时，可被检测对象的头部区域进行但不限于如下五个预设角度的拍摄，得到对应的头部图像：正面、侧面朝左、侧面朝右、45度朝左以及45度朝右角度的信息。

S302，对图像进行预处理。

在具体实施时，可将被检测对象头部区域的五个角度的头部图像放入人脸识别模型中，得到被检测对象的脸部图像，通过增加阈值的方式获取到被检测对象整个头部区域，包含头发、耳朵及颈部。之后再将图片按原有的长宽比等比例压缩至较长边为384像素，然后将短边填充固定值，使其长度与长边相同。

S303，划分训练集、测试集与验证集，并对训练集进行图像增强。

在具体实施时，在具体实施时，将获取的生理数据按照正常、轻度、中度和重度进行类别的划分，并从每个亚类中按预设比例划分训练集、验证集与测试集。可选地，为了提高模型的泛化能力，还可对模型训练的样本图像数据进行如下图像增强处理，以防止过拟合：生成对抗网络、数据训练权重调整、增采样与减采样等。

S304，训练模型并得到最优解。

在具体实施时，可通过对如下神经网络进行训练，得到人脸识别模型：残差神经网络，基于倒置残差模块的卷积神经网络等。通过调整合适的网络超参数，对神经网络进行训练，得到人脸识别模型。

S305，输出为各类别对应概率。

在具体实施时，输出各类别对应概率，每个模型输出结果为各类别概率，即有病/无病的概率，但在实际应用中神经网络的输出为图片对应的高层特征样本。

图4为本发明实施例中提供的一种图像数据阻塞性睡眠呼吸暂停检测模型训练流程图图像数据阻塞性睡眠呼吸暂停检测模型训练流程图，如图所示，具体包括：

S401，获取高层样本。

在具体实施时，可将图片放入神经网络当中，对其特征提取层进行输出，获取其对应的高层样本。

S402，对高层样本数据进行特征工程。

在具体实施时，对生理数据进行特征工程包括但不限于：特征的归一化，特征融合，主成分分析、局部保留投影、拉普拉斯特征映射、局部线性嵌入以及线性判别分析等。

S403，划分训练集、测试集与验证集。

在具体实施时，将获取的生理数据按照正常、轻度、中度和重度进行类别的划分，并从每个亚类中按预设比例划分训练集、验证集与测试集。

S404，训练模型并得到最优解。

在具体实施时，训练模型包含但不限于用机器学习的算法进行分类，其中使用的分类器可以包括但不限于：xgboost、lightgbm、神经网络、支持向量机、决策树分类器、贝叶斯判决分类器。

S405，输出为各类别对应概率。

在具体实施时，输出各类别对应概率，每个模型输出结果为各类别概率，即有病/无病的概率。

图5为本发明实施例中提供的一种生理数据阻塞性睡眠呼吸暂停检测模型训练流程图，如图5所示，具体包括：

S501，获取生理数据。

在具体实施时，获取的生理数据包括但不限于：被检测对象的年龄、性别、颈围、BMI等。

S502，对生理数据进行特征工程。

在具体实施时，对生理数据进行特征工程包括但不限于：特征的归一化，特征融合，主成分分析、局部保留投影、拉普拉斯特征映射、局部线性嵌入以及线性判别分析等。

S503，划分训练集、测试集与验证集。

在具体实施时，将获取的生理数据按照正常、轻度、中度和重度进行类别的划分，并从每个亚类中按预设比例划分训练集、验证集与测试集。

S504，训练模型并得到最优解。

在具体实施时，训练模型包含但不限于用机器学习的算法进行分类，其中使用的分类器可以包括但不限于：xgboost、lightgbm、神经网络、支持向量机、决策树分类器、贝叶斯判决分类器。

S505，输出为各类别对应概率。

在具体实施时，输出各类别对应概率，每个模型输出结果为各类别概率，即有病/无病的概率。

基于同一发明构思，本发明实施例中还提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测装置，如下面的实施例所述。由于该装置解决问题的原理与基于深度学习的阻塞性睡眠呼吸暂停检测方法相似，因此该装置的实施可以参见基于深度学习的阻塞性睡眠呼吸暂停检测方法的实施，重复之处不再赘述。

图6为本发明实施例中提供的一种基于深度学习的阻塞性睡眠呼吸暂停检测装置示意图，如图6所示，该装置包括：生理数据处理模块61、图像数据处理模块62和阻塞性睡眠呼吸暂停检测模块63。

其中，生理数据处理模块61，用于将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果；图像数据处理模块62，用于将被检测对象的图像数据输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，其中，图像数据中包含：从多个预设角度拍摄被检测对象头部区域得到的多个头部图像，每个预设角度的头部图像输入到不同的图像数据阻塞性睡眠呼吸暂停检测模型中；阻塞性睡眠呼吸暂停检测模块63，用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出被检测对象的AHI分类结果。

在一个实施例中，如图6所示，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还可以包括：样本生理数据获取模块64，用于获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；生理数据阻塞性睡眠呼吸暂停检测模型训练模块65，用于按照预设比例，将样本生理数据划分为训练生理数据、验证生理数据和测试生理数据；根据训练生理数据，使用深度学习方法对如下任一种网络模型进行训练，得到生理数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证生理数据，对训练得到的生理数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试生理数据，对符合预设条件的生理数据阻塞性睡眠呼吸暂停检测模型进行测试。

在一个实施例中，如图6所示，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还可以包括：样本图像数据获取模块66，用于获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；图像数据阻塞性睡眠呼吸暂停检测模型训练模块67，用于按照预设比例，将样本图像数据划分为训练图像数据、验证图像数据和测试图像数据；根据训练图像数据，使用深度学习方法对如下任一种网络模型进行训练，得到对应多个预设角度头部图像的多个图像数据阻塞性睡眠呼吸暂停检测模型：Xgboost模型、Light GBM模型、神经网络模型、支持向量机模型、决策树分类模型、贝叶斯判决分类模型；根据验证图像数据，对训练得到的各个图像数据阻塞性睡眠呼吸暂停检测模型进行验证，直到模型准确率符合预设条件；根据测试图像数据，对符合预设条件的图像数据阻塞性睡眠呼吸暂停检测模型进行测试。

在一个实施例中，如图6所示，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还可以包括：人脸识别模块68，用于将被检测对象的图像数据输入到预先训练好的人脸识别模型中，输出对应的脸部图像数据，其中，人脸识别模型是对神经网络模型进行训练得到的模型；其中，图像数据处理模块62还用于将人脸识别模型输出的脸部图像数据，输入到预先训练好的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果。

可选地，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置还包括：人脸识别模型训练模块69，用于获取样本图像数据，其中，样本图像数据包括：从多个预设角度拍摄具有不同AHI标签的样本对象的头部区域，得到的多个头部图像；对样本图像数据中不同预设角度的头部图像进行聚类分析，得到属于每类OSA的高层表示子集；根据属于每类OSA的高层表示子集，对如下神经网络模型进行训练，得到属于每类OSA的人脸识别模型：残差神经网络模型、基于倒置残差模块的卷积神经网络模型。

在一个实施例中，本发明实施例中提供的基于深度学习的阻塞性睡眠呼吸暂停检测装置中，通过生理数据阻塞性睡眠呼吸暂停检测模型和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果为属于不同AHI分类的概率，上述集成学习算法模型用于将生理数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的被检测对象属于不同AHI分类的概率进行加权求和，得到被检测对象的AHI分类结果。

基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，图7为本发明实施例中提供的一种计算机设备示意图，如图7所示，该计算机设备70包括存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序，处理器702执行计算机程序时实现上述基于深度学习的阻塞性睡眠呼吸暂停检测方法。

基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有基于患者整晚的睡眠记录来诊断OSA的方法操作繁琐的技术问题，该计算机可读存储介质存储有执行上述基于深度学习的阻塞性睡眠呼吸暂停检测方法的计算机程序。

综上所述，本发明实施例中提供了一种基于深度学习的阻塞性睡眠呼吸暂停检测方法、装置、计算机设备及计算机可读存储介质，在获取到被检测对象的生理数据和从多个角度对被检测对象的头部区域进行拍摄得到的多个头部图像后，将被检测对象的生理数据输入到预先训练好的生理数据阻塞性睡眠呼吸暂停检测模型中，输出对应的呼吸暂停低通气指数AHI分类结果，并将被检测对象的多个头部图像输入到预先训练好的不同预设角度对应的图像数据阻塞性睡眠呼吸暂停检测模型中，输出对应的AHI分类结果，最后将生理数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果和各个图像数据阻塞性睡眠呼吸暂停检测模型输出的AHI分类结果，输入到集成学习算法模型中，输出所述被检测对象的AHI分类结果。

与现有技术中基于患者整晚睡眠记录进行诊断OSA的技术方案相比，本发明实施例中提供的阻塞性睡眠呼吸暂停检测方案，只需要采集患者多个角度的头部图像即可，不仅无需用户穿戴各种PSG设备，操作简单，而且能够检测到低AHI值的阻塞性睡眠呼吸暂停情况，使得用户能够在出现OSA早期及时治疗。

在本发明实施例中，基于深度学习技术，结合被检测对象多个角度的头部图像和生理数据，对被检测对象的AHI进行预测，以判断被检测对象是否患有OSA。相较现有技术利用被检测对象整晚PSG进行OSA预测的方案，本发明实施例中提供的方案，能够方便用户及时了解病情，并早日治疗，方便便捷，被测人不需要穿戴各种PSG设备，易于操作，经验证，识别准确率可达83％。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。