本技术涉及睡眠呼吸暂停综合征识别，特别涉及基于机器学习的睡眠呼吸暂停综合征的识别系统。
背景技术：
1、睡眠呼吸暂停综合征(sleep apnea，sa)是一种常见的呼吸系统疾病，患病率在全球范围内呈逐年增加的趋势，对患者的生命安全和生活质量造成了严重影响，甚至威胁生命，已成为全球公共卫生领域的重要问题。多导睡眠监测是传统的筛查诊断技术，这种方法存在对监测设备要求高、患者体验感差等局限性，还需要医护人员的监督以及有专业的睡眠分析资质的医生解读，技术要求高、耗时且易产生误判，有高昂的医疗检查成本，基层普及性差。因此，为解决庞大的sa患者的医疗需求，亟需开发一种新的识别睡眠呼吸暂停综合征的技术。
2、现有技术中，中国专利cn116108398a公开了一种全自动阻塞性睡眠呼吸暂停征识别模型的构建方法，对人体形态特征(含基本信息，如年龄、性别等)、语音、三维面部三种不同信号进行特征提取，并将三类特征融合至深度学习网络进行osa患者识别及osa严重程度判别，采用特征选择算法对所提特征进行最优特征筛选，并将筛选后的特征进行特征融合，采用数据均衡算法使得样本种类达到均衡，采用深度学习网络挖掘更深层次的特征得到更加精确的结果。
3、stop-bang评分量表是一种用于初步筛查睡眠呼吸暂停风险的简单问卷，研究表明，stop-bang评分量表在识别睡眠呼吸暂停综合征高风险患者方面有着较高的敏感性和特异性。但直接使用stop-bang评分量表进行睡眠呼吸暂停综合征的分类识别存在主观性较强的缺陷，且仅仅通过stop-bang评分量表的总分进行风险评估时，各项单独评分的特征并未被充分利用，因此在进行睡眠呼吸暂停综合征识别技术的研究时，需考虑如何将stop-bang评分量表数据和其它与睡眠呼吸暂停综合征相关性较高的数据(如人脸图像数据、音频数据等)进行结合。然而，上述现有技术并未对stop-bang评分量表数据和其它与睡眠呼吸暂停综合征相关性较高的数据进行结合分析，睡眠呼吸暂停综合征识别的准确性和可靠性较差。
技术实现思路
1、本技术提供了基于机器学习的睡眠呼吸暂停综合征的识别系统，用以解决现有技术未对stop-bang评分量表数据和其它与睡眠呼吸暂停综合征相关性较高的数据进行结合分析，睡眠呼吸暂停综合征识别的准确性和可靠性较差的问题。
2、一方面，本技术提供了基于机器学习的睡眠呼吸暂停综合征的识别系统，包括：图像采集模块、音频采集模块、stop-bang采集模块、特征提取模块、特征融合模块和模型识别模块。
3、所述图像采集模块用于采集患者的人脸图像数据。
4、所述音频采集模块用于采集患者的音频数据。
5、所述stop-bang采集模块用于采集患者的stop-bang评分量表数据。
6、所述特征提取模块用于对所述人脸图像数据、所述音频数据和所述stop-bang评分量表数据进行特征提取，得到人脸特征向量、音频特征向量和stop-bang特征向量。
7、所述特征融合模块用于对所述人脸特征向量、所述音频特征向量和所述stop-bang特征向量进行特征融合，得到融合特征向量。
8、所述模型识别模块用于采用预先训练好的识别模型根据所述融合特征向量进行睡眠呼吸暂停综合征识别，得到识别结果。
9、所述识别模型采用机器学习模型中的一种。
10、所述识别模型采用带有多导睡眠监测数据标签的融合特征训练集进行预先训练。
11、在一种可能的实现方式中，所述特征提取模块包括：人脸特征提取单元、音频特征提取单元和stop-bang特征提取单元。
12、所述人脸特征提取单元用于对所述人脸图像数据进行特征提取，得到人脸特征向量。
13、所述音频特征提取单元用于对所述音频数据进行特征提取，得到音频特征向量。
14、所述stop-bang特征提取单元用于对所述stop-bang评分量表数据进行特征提取，得到stop-bang特征向量。
15、在一种可能的实现方式中，所述人脸特征向量为提取若干个种类的人脸特征构成的向量。
16、所述人脸特征包括：眼角-眼角距离、鼻孔-鼻孔距离、鼻-唇距离、眼角-下颌距离、眼角-唇距离。
17、在一种可能的实现方式中，所述音频特征提取单元采用梅尔频率倒谱系数提取方法对所述音频数据进行特征提取，得到所述音频特征向量。
18、在一种可能的实现方式中，所述stop-bang特征向量为提取若干个种类的stop-bang评分特征构成的向量。
19、所述stop-bang评分特征包括：打鼾评分、日间疲倦评分、观察评分、高血压评分、体重指数评分、年龄评分、颈围评分、性别评分和总评分。
20、在一种可能的实现方式中，所述特征融合模块用于分别对所述人脸特征向量、所述音频特征向量、所述stop-bang特征向量进行归一化处理，并对归一化处理后的人脸特征向量、音频特征向量、stop-bang特征向量进行拼接，得到所述融合特征向量。
21、在一种可能的实现方式中，所述机器学习模型包括：逻辑回归模型、朴素贝叶斯模型、决策树模型、支持向量机模型和神经网络模型。
22、在一种可能的实现方式中，所述多导睡眠监测数据标签为根据多导睡眠监测数据得到的睡眠呼吸暂停综合征分类标签。
23、所述多导睡眠监测数据标签的类别包括：无综合征、轻度中枢性综合征、中度中枢性综合征、重度中枢性综合征、轻度阻塞性综合征、中度阻塞性综合征、重度阻塞性综合征、轻度混合性综合征、中度混合性综合征和重度混合性综合征。
24、在一种可能的实现方式中，所述模型识别模块还用于获取所述识别结果对应的多导睡眠监测数据，并根据所述识别结果对应的多导睡眠监测数据和对应的融合特征向量进行模型更新。
25、本技术中的基于机器学习的睡眠呼吸暂停综合征的识别系统，具有以下优点：
26、通过采用特征提取、特征融合、预先训练好的识别模型对患者的人脸图像数据、音频数据和stop-bang评分量表数据进行联合分析，提高了睡眠呼吸暂停综合征识别的准确性和可靠性。
27、提出的人脸特征向量为提取若干个种类的人脸特征构成的向量，降低了人脸图像数据的维度，提高了处理速度。
28、提出的音频特征提取单元采用梅尔频率倒谱系数提取方法对音频数据进行特征提取，得到音频特征向量，降低了音频数据的维度，提高了处理速度。
29、提出的stop-bang特征向量为提取若干个种类的stop-bang评分特征构成的向量，通过将stop-bang评分量表的各项评分构建成特征向量，提高了评分利用率，进而提高了识别准确性。
30、提出的特征融合模块分别对人脸特征向量、音频特征向量、stop-bang特征向量进行归一化处理，并对归一化处理后的人脸特征向量、音频特征向量、stop-bang特征向量进行拼接，得到融合特征向量，提高了数据处理的便捷性和稳定性，进而提高了识别准确性。
31、提出的多导睡眠监测数据标签为根据多导睡眠监测数据得到的睡眠呼吸暂停综合征分类标签，提高了融合特征训练集的全面性和可靠性，进而提高了识别模型的训练精度。
32、提出的模型识别模块还用于获取识别结果对应的多导睡眠监测数据，并根据识别结果对应的多导睡眠监测数据和对应的融合特征向量进行模型更新，提高了识别模型的可进化性。
1.基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，包括：图像采集模块、音频采集模块、stop-bang采集模块、特征提取模块、特征融合模块和模型识别模块；
2.根据权利要求1所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述特征提取模块包括：人脸特征提取单元、音频特征提取单元和stop-bang特征提取单元；
3.根据权利要求2所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述人脸特征向量为提取若干个种类的人脸特征构成的向量；
4.根据权利要求2所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述音频特征提取单元采用梅尔频率倒谱系数提取方法对所述音频数据进行特征提取，得到所述音频特征向量。
5.根据权利要求2所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述stop-bang特征向量为提取若干个种类的stop-bang评分特征构成的向量；
6.根据权利要求1所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述特征融合模块用于分别对所述人脸特征向量、所述音频特征向量、所述stop-bang特征向量进行归一化处理，并对归一化处理后的人脸特征向量、音频特征向量、stop-bang特征向量进行拼接，得到所述融合特征向量。
7.根据权利要求1所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述机器学习模型包括：逻辑回归模型、朴素贝叶斯模型、决策树模型、支持向量机模型和神经网络模型。
8.根据权利要求1所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述多导睡眠监测数据标签为根据多导睡眠监测数据得到的睡眠呼吸暂停综合征分类标签；
9.根据权利要求1所述的基于机器学习的睡眠呼吸暂停综合征的识别系统，其特征在于，所述模型识别模块还用于获取所述识别结果对应的多导睡眠监测数据，并根据所述识别结果对应的多导睡眠监测数据和对应的融合特征向量进行模型更新。
