[发明专利]基于稀疏表示和卷积神经网络的呼吸模式分类方法及系统

说明书

本发明公开了一种基于稀疏表示和卷积神经网络的呼吸模式分类方法及系统，包括：从生命体征雷达的回波信号中得到呼吸信号；将不同呼吸模式的呼吸信号截取为固定长度的样本片段，之后对呼吸信号的幅度进行归一化处理；构造小波字典；根据小波字典，采用正交匹配追踪算法求解不同呼吸模式对应的呼吸信号样本的稀疏解，并确定稀疏解的稀疏度；将稀疏解作为呼吸信号样本的特征，构建并训练卷积神经网络模型；利用卷积神经网络模型对未知的呼吸信号片段进行分类，获得其呼吸模式。本发明无需提取复杂的呼吸信号特征，基于呼吸信号的稀疏解特征即可实现呼吸模式的准确分类，方法简单有效，性能可靠，便于实施。

技术领域

本发明属于呼吸模式检测领域，特别是一种基于稀疏表示和卷积神经网络的呼吸模式分类方法及系统。

背景技术

呼吸是反映人体生理健康的一项重要指标。

现有的呼吸监测方法主要有接触式和非接触式两类。传统的接触式呼吸监测方法需要通过电极或者其他医学传感器与人体接触，在进行长时间的监测时，会使被监测者带来生理和心理上的不适，进而影响监测结果的准确性。生命体征雷达可以实现长时间的非接触式呼吸监测，减少被测试者的不适感，且具有不受环境影响、灵敏度高、穿透力强的优点。

呼吸模式的分类是呼吸监测中的重要部分。常见的呼吸模式分类主要是针对正常呼吸和呼吸暂停的分类，呼吸模式分类方法是通过提取常用的时频域特征来实现。但在实际的呼吸模式分类中，除呼吸暂停外还有潮式呼吸、节律障碍型呼吸等呼吸模式，这些呼吸模式通过提取常用的时频域特征难以实现准确分类。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提供一种基于稀疏表示和卷积神经网络的呼吸模式分类方法及系统。

实现本发明目的的技术解决方案为：一种基于稀疏表示和卷积神经网络的呼吸模式分类方法，所述方法包括以下步骤：

步骤1，利用生命体征雷达采集受试者的回波信号，对回波信号进行反正切解调和带通滤波，得到呼吸信号；

步骤2，将不同呼吸模式的呼吸信号截取为固定长T的样本片段，之后对呼吸信号的幅度进行归一化处理；

步骤3，构造小波字典；

步骤4，根据所述小波字典，采用正交匹配追踪算法求解不同呼吸模式对应的呼吸信号样本的稀疏解，并确定稀疏解的稀疏度，所述稀疏度为稀疏解中非零元素的个数；

步骤5，将步骤4得到的稀疏解作为呼吸信号样本的特征，构建并训练卷积神经网络模型；

步骤6，利用步骤5得到的卷积神经网络模型对未知的呼吸信号片段进行分类，获得其呼吸模式。

进一步地，步骤4中所述采用正交匹配追踪算法求解呼吸信号样本的稀疏解，具体包括：

正交匹配追踪算法的输入信号为一维的呼吸信号样本y∈R^n×1，n为呼吸信号的长度即采样点数，记小波字典为n×m维矩阵Φ＝(φ₁,φ₂,...,φ_m)，φ_q为字典原子，且满足||φ_q||²＝1，q＝1,…,m；

步骤4-1，将呼吸信号_y在小波字典中的每一个原子上进行正交投影，即求呼吸信号与原子的内积，并选出内积最大的原子作为第一次分解的最佳匹配原子，记为φ'₁，原子φ'₁满足下式：

y,φ'₁＞y,φ_iφ_i∈Φ

其中，φ_i为Φ中除φ'₁的任意一个原子；