一种基于SAE模型和联邦学习的OSA检测方法

一种基于sae模型和联邦学习的osa检测方法
技术领域
1.本发明涉及医疗技术及深度学习技术领域，具体而言，尤其涉及一种基于sae模型和联邦学习的osa检测方法。


背景技术：

2.阻塞型睡眠呼吸暂停(obstructive sleep apnea，osa)是普遍存在的一种常见病征，频发的阻塞型睡眠呼吸暂停不仅影响人们的睡眠质量，严重时危机人类健康。为了研究该病征与人体健康的关系，需要对osa进行准确的检测。
3.有学者将深度学习方法应用至osa的检测，具体利用患者的血氧、呼吸和胸腹带信号基于卷积神经网络对多模态的输入建模并进行分类，但多模态的信号通常需要在医院睡眠中心进行采集，当前睡眠相关医疗资源紧张，不利于患者疾病的筛查与治疗。同时，由于病人数据涉及病人隐私，导致模型训练数据有限，难以获得精准的检测结果。


技术实现要素：

4.鉴于现有技术的不足，本发提供一种基于sae模型和联邦学习的osa检测方法。本发明主要基于患者的心电数据进行osa检测，采用堆叠自编码器(stacked auto encoder，sae)的无监督联邦学习框架，允许病人在高舒适度的居家环境中完成高准确率的osa疾病检测和分级任务，有效缓解医院医疗资源拥挤问题。
5.本发明采用的技术手段如下：
6.一种基于sae模型和联邦学习的osa检测方法，应用于分布式检测系统，所述分布式检测系统包括布置在医院的云服务器和多个检测终端，所述服务器和多个检测终端通过网络通信，所述方法包括以下步骤：
7.s1、使用者通过检测终端采集睡眠时期人体的心电图ecg信号，对所述ecg信号进行r波提取，获取相邻心电的rr间隔和r波峰值，生成自有心电的输入特征序列；
8.s2、所述检测终端由云服务器获取原始sae模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；
9.s3、所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；
10.s4、使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。
11.进一步地，使用者通过检测终端采集睡眠时期人体的心电图ecg信号，对所述ecg信号进行r波提取，获取相邻心电的rr间隔和r波峰值，生成自有心电的输入特征序列，包括：
12.s101、使用者居家自行连接心电电极，佩戴电极睡觉一整晚，采集整晚睡眠阶段的原始心电信号x0，对采集到的信号进行模数转换，最后心电数字信号数据被保存在终端设备中；
13.s102、将心电信号按照分钟分段，第n分钟的心电信号记作qn，则获取的心电信号为{q1,q2,
……
,qn}。
14.s103、对每分钟的心电信号进行滤波，利用pan-tompki算法检测r波位置并对提取的r波进行矫正，并获得r峰振幅；
15.s104、通过r峰坐标测量相邻的rr间隔，使用中值滤波算法去除无意义的点和信号段；
16.s105、基于cubic spline算法将rr间隔和r波峰值序列采样至相同的长度；
17.s106、对所述rr间隔和r波峰值序列进行标准化处理，生成自有心电的输入特征序列。
18.进一步地，所述检测终端由云服务器获取原始sae模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器，包括：
19.将检测终端sae模型微调所使用的损失函数定义为：
[0020][0021]
其中，l
sae
指的是终端sae模型微调所使用的损失函数，n指的是本次训练的样本数，x(i)和x’(i)
分别指的是模型的输入和输出。
[0022]
进一步地，所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛，包括：
[0023]
在检测终端进行模型的本地微调与全局通信，在第t联邦轮，通过加载医院服务器的模型进而初始本地化模型；
[0024]
通过随机梯度下降算法不断优化l
sae
损失函数，更新本地模型；
[0025]
轮之后，得到模型并将其与医院中心服务器共享。
[0026]
进一步地，所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛，还包括：
[0027]
在云服务器端，通过其具备的有标签数据池，根据云服务器的数据量和本地用户的数据量进行加权聚合后，通过交叉熵损失和sae的重构误差损失l
ce+sae
进行有监督学习更新全局模型，得到第t联邦轮的全局模型
[0028]
进一步地，使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果，包括：
[0029]
将osa段识别结果转换为个人ahi的公式结果转换成个人ahi的公式如下：
[0030][0031]
其中，t表示整个记录的分钟数，表示1-分钟内心电图片段的数
量；
[0032]
当ahi大于5时，判断为osa，否则被认为正常。
[0033]
较现有技术相比，本发明具有以下优点：
[0034]
1、本专利发明了一种新的基于sae模型和联邦学习osa检测终端系统，仅使用单通道心电信号即可完成osa居家初筛。同时本发明基于联邦学习解决了常见的基于心电的深度学习模型具有数据集不足，准确率不高的问题。
[0035]
2、目前常见的横向联邦学习框架均为有监督学习，但现实中有标签的医疗数据难以获得，本专利基于sae模型实现了无监督联邦学习框架，允许病人使用高舒适度的居家环境完成高准确率的osa，由终端设备在线出具osa疾病报告并完成远程专家跟诊。
附图说明
[0036]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明一种基于sae模型和联邦学习的osa检测方法流程图。
[0038]
图2为本发明心电数据采集流程图。
[0039]
图3为本发明检测终端sae模型无监督训练架构图。
[0040]
图4为本发明联邦学习架构图。
[0041]
图5为实施例中在线诊疗系统架构图。
具体实施方式
[0042]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0043]
如图1所示，本发明提供了一种基于sae模型和联邦学习的osa检测方法，应用于分布式检测系统，所述分布式检测系统包括布置在医院的云服务器和多个检测终端，所述服务器和多个检测终端通过网络通信，所述方法包括以下步骤：
[0044]
s1、使用者通过检测终端采集睡眠时期人体的心电图ecg信号，对所述ecg信号进行r波提取，获取相邻心电的rr间隔和r波峰值，生成自有心电的输入特征序列。
[0045]
本步骤主要用于采集睡眠时期人体的心电图ecg信号，提取r波，进行相邻心电的rr间隔和r波峰值提取，生成心电的输入特征序列。如图2所示，具体包括：
[0046]
s101、病人用户居家自行连接心电电极，佩戴电极睡觉一整晚，采集整晚睡眠阶段的原始心电信号x0，对采集到的信号进行模数转换，最后心电数字信号数据被保存在终端设备中，方便用户通过终端设备中的数据处理模块进行心电信号预处理。
[0047]
s102、将整晚数据标记为q，然后将心电信号按照分钟分段，第n分钟的心电信号记作qn，即q＝{q1,q2,
……
,qn}。
[0048]
s103、对每分钟的心电信号进行滤波，利用终端中集成的pan-tompkins算法，检测r波位置并对提取的r波进行矫正，并获得r峰振幅。
[0049]
s104、通过r峰坐标测量相邻的rr间隔，使用中值滤波算法去除生理上无法解释的点和信号段。生理上无法解释指的是非正常的生理心电信号，一般指的是人睡觉时由于翻身等运动导致的心电信号的改变。
[0050]
s105、由于神经网络的的输入长度应是相同的，因此基于cubic spline算法，将rr间隔和r波峰值序列采样至相同的长度。cubic spline指的是三次样条插值方法，主要是将信号采样至相同长度。
[0051]
s106、为了避免数值范围较大的特征会支配数值范围较小的特征，在输入到神经网络之前，所有的特征序列数据都被z标准化，μ代表数据的均值，σ代表数据的标准差，输出为x。
[0052][0053]
s2、所述检测终端由云服务器获取原始sae模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器。
[0054]
在优选的实施例中，检测终端从医院云服务器下载医院原效果较好的全局模型，该模型的初始参数为w0，进行本地sae无监督模型微调，也就是利用本地数据进行模型训练，再根据个人数据进行模型个性化定制。用户终端sae模型微调所使用的损失函数为：
[0055][0056]
s3、所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛。
[0057]
如图3-4所示，用户本地微调模型后不断与医院云服务器进行通信，重复模型的加载与加权聚合过程，利用医院云计算中心的有标签数据，训练t轮直至全局模型收敛，停止通信。
[0058]
具体来说，在检测终端使用算法1进行模型的本地微调与全局通信。在第t联邦轮，通过加载医院服务器的模型进而初始本地化模型。然后通过随机梯度下降算法不断优化l
sae
损失函数，更新本地模型。经历轮之后，得到模型并将其与医院云服务器共享。
[0059][0060][0061]
其中，nc表示客户端c的本地样本数，w
c(0,t)
表示客户端c在第t联邦轮的本地第0轮的模型参数，表示本地总迭代轮数，n
(c)
表示客户端c的本地样本数，表示客户端c第l轮的小批量训练数据，w
c(l,t)
表示客户端c在第t联邦轮第l轮训练的模型参数，w
c(l-1,t)
表示客户端c在第t联邦轮第(l-1)轮训练的模型参数，表示客户端c第l训练轮的学习率，表示客户端c第l轮本地模型梯度。
[0062]
在云服务器端，贡献了一个全局模型并且聚合来自所有客户端的本地模型。服务器具备有标签数据池，根据中心服务器的数据量和本地用户的数据量进行加权聚合后，通过交叉熵损失和sae的重构误差损失l
ce+sae
进行有监督学习更新全局模型，得到第t联邦轮的全局模型
[0063][0064][0065]
其中，n
k(c)
表示第k个客户端c的样本数，n
(s)
表示服务器端的样本数，表示服务器端第l轮的小批量训练数据，表示服务器端第t联邦轮第(l-1)训练轮的模型参数，表示服务器端第l轮的学习率。
[0066]
s4、使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。
[0067]
本发明实施例中，能够在线出具呼吸紊乱指数(apnea hypopnea index，ahi)报告
并完成跟诊。用户最终获得适合自身数据的个性化模型，进行输出预测。根据美国睡眠医学会(american academy of sleep medicine，aasm)提供的规则，每个人将被归类为osa或正常，这取决于其ahi值。在临床上，当ahi大于5时，一个人将被诊断为osa。否则被认为是正常。
[0068]
将osa段识别结果转换为个人ahi的公式如下。这里是1分钟心电图中标有"呼吸暂停"的片段数量，t表示整个记录的分钟数。
[0069][0070]
如图5所示，为基于本发明方法搭建的在线诊疗系统架构。首先病人用户从医院睡眠科室领取相应终端设备，带回家通过采集整晚睡眠心电信号完成后，通过终端的数据处理模块将心电信号处理成适合神经网络的输入，然后分别通过联邦学习和ai算法分析模块，与医院的云服务器进行通信，不断调整自身模型，达到最佳结果输出，完成病情分级和医生远程跟诊。整个过程只传输模型，不传输数据，以一种私有数据可用不可见的方式，完成高准确率的osa检测。本发明专利可用于医疗领域，可以集成到医院的人工智能筛查平台中。应用本系统的的sae无监督联邦学习框架后，大量的患者无标签数据被利用起来，训练个性化模型，按照本发明，在医院的中央服务器得到适用于所有数据的全局模型，最终达到高精度预测的目的。本发明设计了一种基于sae模型和联邦学习osa检测终端系统，可以有效的完成居家osa筛查，对人工智能辅助诊断意义重大。
[0071]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案的范围。

技术特征：
1.一种基于sae模型和联邦学习的osa检测方法，应用于分布式检测系统，所述分布式检测系统包括布置在医院的云服务器和多个检测终端，所述服务器和多个检测终端通过网络通信，其特征在于，所述方法包括以下步骤：s1、使用者通过检测终端采集睡眠时期人体的心电图ecg信号，对所述ecg信号进行r波提取，获取相邻心电的rr间隔和r波峰值，生成自有心电的输入特征序列；s2、所述检测终端由云服务器获取原始sae模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；s3、所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；s4、使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。2.根据权利要求1所述的一种基于sae模型和联邦学习的osa检测方法，其特征在于，使用者通过检测终端采集睡眠时期人体的心电图ecg信号，对所述ecg信号进行r波提取，获取相邻心电的rr间隔和r波峰值，生成自有心电的输入特征序列，包括：s101、使用者居家自行连接心电电极，佩戴电极睡觉一整晚，采集整晚睡眠阶段的原始心电信号x0，对采集到的信号进行模数转换，最后心电数字信号数据被保存在终端设备中；s102、将心电信号按照分钟分段，第n分钟的心电信号记作q
n
，则获取的心电信号为{q1,q2,
……
,q
n
}。s103、对每分钟的心电信号进行滤波，利用pan-tompki算法检测r波位置并对提取的r波进行矫正，并获得r峰振幅；s104、通过r峰坐标测量相邻的rr间隔，使用中值滤波算法去除无意义的点和信号段；s105、基于cubic spline算法将rr间隔和r波峰值序列采样至相同的长度；s106、对所述rr间隔和r波峰值序列进行标准化处理，生成自有心电的输入特征序列。3.根据权利要求1所述的一种基于sae模型和联邦学习的osa检测方法，其特征在于，所述检测终端由云服务器获取原始sae模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器，包括：将检测终端sae模型微调所使用的损失函数定义为：其中，l
sae
指的是终端sae模型微调所使用的损失函数，n指的是本次训练的样本数，x
(i)
和x’(i)
分别指的是模型的输入和输出。4.根据权利要求1所述的一种基于sae模型和联邦学习的osa检测方法，其特征在于，所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛，包括：在检测终端进行模型的本地微调与全局通信，在第t联邦轮，通过加载医院服务器的模型进而初始本地化模型；通过随机梯度下降算法不断优化l
sae
损失函数，更新本地模型；
轮之后，得到模型并将其与医院中心服务器共享。5.根据权利要求4所述的一种基于sae模型和联邦学习的osa检测方法，其特征在于，所述云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛，还包括：在云服务器端，通过其具备的有标签数据池，根据云服务器的数据量和本地用户的数据量进行加权聚合后，通过交叉熵损失和sae的重构误差损失l
ce+sae
进行有监督学习更新全局模型，得到第t联邦轮的全局模型6.根据权利要求4所述的一种基于sae模型和联邦学习的osa检测方法，其特征在于，使用者通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果，包括：将osa段识别结果转换为个人ahi的公式结果转换成个人ahi的公式如下：其中，t表示整个记录的分钟数，表示1-分钟内心电图片段的数量；当ahi大于5时，判断为osa，否则被认为正常。

技术总结
本发明提供一种基于SAE模型和联邦学习的OSA检测方法，包括：通过检测终端采集睡眠时期人体的心电图ECG信号，生成自有心电的输入特征序列；检测终端由云服务器获取原始SAE模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。本发明基于SAE模型实现了无监督联邦学习框架，允许病人使用高舒适度的居家终端设备完成高准确率的OSA检测。OSA检测。OSA检测。


技术研发人员：刘航 崔少伟 郭艳卿 李祎 付海燕 王波 丛丰裕
受保护的技术使用者：大连理工大学
技术研发日：2023.03.03
技术公布日：2023/7/26