一种阻塞性睡眠呼吸暂停综合症的检测系统的制作方法

1.本说明书涉及医疗技术领域，尤其涉及一种阻塞性睡眠呼吸暂停综合症的检测系统。


背景技术：

2.阻塞性睡眠呼吸暂停综合征 (obstructive sleep apnea syndrome, osas) 是一种常见的睡眠呼吸障碍疾病，以睡眠期间因咽腔狭窄导致的呼吸暂停和低通气为特征，患病率高，是一种有潜在致死性并发症的疾患。osas发病机制是慢性间歇低氧和睡眠片段化，伴发低氧血症，高碳酸血症等一系列生理改变的临床综合征，易引起全身多系统损伤，导致冠心病、高血压、糖尿病等多器官、多系统的并发症。
3.在相关技术中，针对osas的诊断需要依赖实验室多导睡眠脑电图，多导睡眠脑电图也称为睡眠研究，是一种用于诊断睡眠障碍的综合检测。在研究期间，多导睡眠脑电图记录用户的脑波、血液中的氧气含量、心率和呼吸以及眼部和腿部动作，从而根据记录结果来评估用户是否患有osas。然而，上述评估方式对于用户而言较为繁琐，且效率较低。


技术实现要素：

4.为克服相关技术中存在的问题，本说明书提供了一种阻塞性睡眠呼吸暂停综合症的检测系统，所述系统包括气体采集模块、预处理模块和分析模块；其中：所述气体采集模块用于接收用户的呼出气体样本；所述预处理模块用于检测所述呼出气体样本中针对所述阻塞性睡眠呼吸暂停综合症的对应气体的气体浓度；所述分析模块用于将检测出的气体浓度与预设的正常气体浓度范围进行比较，并在所述气体浓度未落入正常气体浓度范围的情况下，判定所述呼出气体样本所对应的用户患有所述阻塞性睡眠呼吸暂停综合症。
5.基于本说明书的上述实施例，可知：本说明书所述的阻塞性睡眠呼吸暂停综合症的检测系统，通过获取、检测用户的呼出气体样本，即可判定用户是否患有阻塞性睡眠呼吸暂停综合症，无需再依赖实验室多导睡眠脑电图，加快了阻塞性睡眠呼吸暂停综合症的检测效率。
6.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
7.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
8.图1是本说明书一示例性实施例提供的一种阻塞性睡眠呼吸暂停综合症的检测系统的系统架构图；
图2是本说明书一示例性实施例提供的一种呼吸面罩的示意图；图3是本说明书一示例性实施例提供的一种分析预测模型的训练方法的流程图；图4是本说明书一示例性实施例提供的一种电子设备的示意结构图；图5是本说明书一示例性实施例提供的一种分析预测模型的训练装置的框图。
实施方式
9.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
10.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
11.在相关技术中，用户为了判定自身是否患有osas，其可以前往医院内的睡眠障碍病房或睡眠中心，依赖多导睡眠脑电图来进行睡眠障碍的综合检测。多导睡眠脑电图记录的脑波、血液中的氧气含量、心率和呼吸以及眼部和腿部动作，从而根据检测结果来评估用户是否患有osas。然而，上述方式需要用户在医院的睡眠障碍病房或睡眠中心进行睡眠，不仅流程复杂，效率较低，且价格高昂，不具有普遍实用性。
12.有鉴于此，本说明书提供一种改进后的阻塞性睡眠呼吸暂停综合症的检测系统，以解决相关技术中存在的问题，下面结合附图进行详细说明。
13.图1是本说明书一示例性实施例提供的一种阻塞性睡眠呼吸暂停综合症的检测系统的系统架构图，该系统可以包括气体采集模块101、预处理模块102和分析模块103。
14.气体采集模块101可以接收用户的呼出气体样本。具体的，该气体采集模块101可以是为呼吸口罩、呼吸面罩等可以用于接收用户的呼出气体样本的装置。如图2所示，图2是本说明书一示例性实施例提供的一种呼吸面罩的示意图，用户在进行osas检测时，可以佩戴该呼吸面罩201，从而通过该呼吸面罩201采集到用户的呼出气体样本，进一步的，该呼吸面罩201可以通过空心导管202，将采集到的气体样本传送至预处理模块102。当然，呼吸口罩的结构可以和呼吸面罩201类似，本说明书在此不再赘述。
15.预处理模块102可以检测由气体采集模块101提供的用户呼出气体样本，从而得到针对osas相关气体的气体浓度。具体的，该预处理模块102可以为质谱分析仪，质谱分析仪可以将样品离子化后，通过质量分析器测定样品的分子离子及碎片的质量数，最终确定样品的相对分子质量或分子结构。目标化合物的分子被不同电离方式离子化后，如高能电子轰击等，样品分子失去电子或被打碎，变为带正电荷的分子离子和碎片离子，按照质量（m）
和电荷（z）的比值大小，即质荷比大小依次排列而被记录下来的谱图，称为质谱图。用户的呼出气体可以含有数百种挥发性有机化合物（voc，volatile organic compounds），故可以利用质谱分析仪来测定具体的voc以及对应的气体浓度。
16.分析模块103可以将预处理模块102所检测出的气体浓度与预设的正常气体浓度范围进行比较，从而在用户的呼出气体对应的气体浓度未落入正常气体浓度范围的情况下，判定该呼出气体样本所对应的用户患有osas。
17.基于上述阻塞性睡眠呼吸暂停综合症的检测系统的系统架构，在针对osas的检测时，用户仅需使用气体采集模块进行呼气（一次或多次）即可完成检测，而不再需要依赖如前所述的多导睡眠脑电图，用户不必进行完整的睡眠即可获得检测结果，有效缩短了检测的时长，可以显著提升检测效率，同时也具有较高的准确率。
18.如前所述，本说明书所述的分析模块可以预设有正常气体浓度范围，从而将该正常气体浓度范围作为基准，与用户的呼出气体浓度进行比较，继而得到对应的检测结果。然而，不难理解，因为人体个体之间存在差异性，譬如，老年人的肺活量小于青年的肺活量，男性的肺活量大于女性的肺活量等，所以，假设使用固定的正常气体浓度范围可能因为个体差异而导致检测结果的偏差。故为了确保检测结果的可靠性，本说明书提出了个性化的正常气体浓度范围的设置。即，预设的正常气体浓度范围可以包括标准正常气体浓度范围和/或老年正常气体浓度范围，或，预设的正常气体浓度范围可以包括男性正常气体浓度范围和/或女性正常气体浓度范围。换言之，针对不同的目标人群，可以设置针对性的正常气体浓度范围。举例而言，针对气体a，预设的标准正常气体浓度范围可以是20mg/m3至30mg/m3，而老年正常气体浓度范围可以是15mg/m3至35mg/m3。或者，男性正常气体浓度范围可以是20mg/m3至30mg/m3，而女性正常浓度范围可以是25mg/m3至30mg/m3等。当然，具体设置的数值范围可以根据样本情况而统计确定，本说明书对此不进行限制。通过上述个性化的范围设置，可以避免个体差异（如年龄、性别）等造成的检测误差，从而确保osas检测的可靠性。
19.在一实施例中，阻塞性睡眠呼吸暂停综合症的对应气体可以包括下述至少一种：c5h5o、c6h7o、c5h9o2、c8h
13
o、c6h
10
no2、c8h
10
no2、c9h
13
o3、c
12h15
o、c
12h19
o2。可以理解的是，假设检测上述所有气体对应的浓度，则对应的检测结果也较为精确。
20.在一实施例中，该系统还可以包括统计模块，该统计模块可以用于记录用户参与检测所对应的检测结果，以生成对应的统计结果。譬如，可以统计出用户a最近10次的检测结果，用户a最近6个月的检测结果等，从而基于检测结果生成对应的建议报告。
21.为了进一步提高检测结果的精确性，本说明书还提出了分析预测模型，即上述分析模块可以由该预先训练完成的基于有监督学习算法的分析预测模型来完成。监督学习是机器学习中的一种训练方式，可以指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习，是从标记的训练数据来推断一个功能的机器学习任务。而因为本说明书所述的分析模块可以仅输出“患有osas”或“未患osas”这两类结果，故该分析预测模型可以是二分类模型。其中，分析预测模型可以用于根据由预处理模块发送的所述呼出气体样本的气体浓度所对应的气体浓度数据输出对应的判定结果。
22.图3是本说明书一示例性实施例提供的一种分析预测模型的训练方法的流程图。具体可以包括以下步骤：
步骤302、获取多份带标签的呼出气体训练样本，并得到各训练样本的气体浓度所对应的气体浓度数据。
23.分析预测模型的训练实际上是优化分析预测模型中的各类参数的过程。二分类任务涉及一个属于正常状态的类别和一个属于异常状态的类别。针对训练样本集，可以将正常状态的类分配为类别标签0，状态异常的类分配为类别标签1。举例而言，患有osas的样本可以设置标签1，未患有osas的样本可以设置标签0。而样本的数量可以根据实际需求确定，本说明书对此不进行限制。例如，可以获取1000份样本作为训练集，其中500份为患有osas的用户呼出气体样本，剩余500份为未患有osas的用户呼出气体样本。
24.步骤304、将所述气体浓度数据输入至所述分析预测模型，以得到所述分析预测模型的输出结果。
25.如前所述，分析预测模型可以是二分类模型，具体的其可以是逻辑回归模型，逻辑回归是“拟合”0或1这两个数值，而不是具体的连续数值，所以它也叫广义线性模型。逻辑回归又称logistic回归分析。
26.需要说明的是，为了提高检测的准确性，自变量除了上述气体浓度数据外，还可以包括用户的年龄、性别、饮食习惯等。
27.步骤306、根据所述输出结果和对应的标签优化所述分析预测模型。
28.优化分析预测模型实际上可以是指对自变量权重的调整。而二分类函数可以参见如下：
29.基于该二分类函数可知，其输入的值域范围可以是负无穷至正无穷，而其输出值域为（0，1）。故该函数实际上是一个概率计算，它把(
−
∞,∞)之间的任何数字都压缩到(0,1)之间，返回一个概率值，这个概率值接近1时，认为是正例（例如患有osas），否则认为是负例（例如未患有osas）。训练时，一个样本x在经过神经网络的最后一层的矩阵运算结果作为输入z，经过logistic计算后，输出一个(0,1)之间的预测值。可以假设这个样本的标签值为0属于负类，如果其预测值越接近0，就越接近标签值，那么误差越小，反向传播的力度就越小。推理时，可以预先设定一个阈值比如0.5，则当推理结果大于0.5时，认为是正类；小于0.5时认为是负类；等于0.5时，根据情况而定义。当然阈值也不一定为0.5，其也可以是0.65等，阈值越大，准确率越高，召回率越低；阈值越小则相反，准确度越低，召回率越高。
30.其中矩阵运算可以为下述公式：
31.通过调整w和b的值，可以把所有正例（正标签）的样本都归纳到大于0.5的范围内，所有负例（负标签）都小于0.5，从而得到误差符合预期的分析预测模型。基于该分析预测模型的作用下，可以提高osas检测的准确性。
32.与前述方法（模型训练）的实施例相对应，本说明书还提供了对应的装置、电子设备以及存储介质的实施例。
33.图4是一示例性实施例提供的一种电子设备的示意结构图。请参考图4，在硬件层面，该设备包括处理器401、网络接口402、内存403、非易失性存储器404以及内部总线405，
当然还可能包括其他功能所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器401从非易失性存储器404中读取对应的计算机程序到内存403中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
34.图5是本说明书一示例性实施例提供的一种分析预测模型的训练装置的框图。该装置可以包括：获取单元502，用于获取多份带标签的呼出气体训练样本，并得到各训练样本的气体浓度所对应的气体浓度数据。
35.输入单元504，用于将所述气体浓度数据输入至所述分析预测模型，以得到所述分析预测模型的输出结果。
36.优化单元506，用于根据所述输出结果和对应的标签优化所述分析预测模型。
37.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
38.在一个典型的配置中，计算机设备包括一个或多个处理器 (cpu)、输入/输出接口、网络接口和内存。
39.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (ram) 和/或非易失性内存等形式，如只读存储器 (rom) 或闪存(flash ram)。内存是计算机可读介质的示例。
40.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘 (dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
41.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
42.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例
中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
43.在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
44.应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
45.以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

技术特征：
1.一种阻塞性睡眠呼吸暂停综合症的检测系统，其特征在于，所述系统包括气体采集模块、预处理模块和分析模块；其中：所述气体采集模块用于接收用户的呼出气体样本；所述预处理模块用于检测所述呼出气体样本中针对所述阻塞性睡眠呼吸暂停综合症的对应气体的气体浓度；所述分析模块用于将检测出的气体浓度与预设的正常气体浓度范围进行比较，并在所述气体浓度未落入正常气体浓度范围的情况下，判定所述呼出气体样本所对应的用户患有所述阻塞性睡眠呼吸暂停综合症。2.根据权利要求1所述的系统，其特征在于，所述预设的正常气体浓度范围包括标准正常气体浓度范围和/或老年正常气体浓度范围。3.根据权利要求1所述的系统，其特征在于，所述预设的正常气体浓度范围包括男性正常气体浓度范围和/或女性正常气体浓度范围。4.根据权利要求1所述的系统，其特征在于，所述分析模块包括预先训练完成的基于有监督学习算法的分析预测模型；其中，所述分析预测模型用于根据由所述预处理模块发送的所述呼出气体样本的气体浓度所对应的气体浓度数据输出对应的判定结果。5.根据权利要求3所述的系统，其特征在于，所述分析预测模型的训练过程包括：获取多份带标签的呼出气体训练样本，并得到各训练样本的气体浓度所对应的气体浓度数据；将所述气体浓度数据输入至所述分析预测模型，以得到所述分析预测模型的输出结果；根据所述输出结果和对应的标签优化所述分析预测模型。6.根据权利要求1所述的系统，其特征在于， 所述呼出气体样本由所述气体采集模块通过空心导管传输至所述预处理模块。7.根据权利要求1所述的系统，其特征在于，所述预处理模块包括质谱分析仪。8.根据权利要求1所述的系统，其特征在于，所述气体采集模块包括呼吸口罩和/或呼吸面罩。9.根据权利要求1所述的系统，其特征在于，所述阻塞性睡眠呼吸暂停综合症的对应气体包括下述至少一种：c5h5o、c6h7o、c5h9o2、c8h
13
o、c6h
10
no2、c8h
10
no2、c9h
13
o3、c
12
h
15
o、c
12
h
19
o2。10.根据权利要求1所述的系统，其特征在于，所述系统还包括统计模块，所述统计模块用于记录用户参与检测所对应的检测结果，以生成对应的统计结果。

技术总结
本说明书提供了一种阻塞性睡眠呼吸暂停综合症的检测系统，所述系统包括气体采集模块、预处理模块和分析模块；其中：所述气体采集模块用于接收用户的呼出气体样本；所述预处理模块用于检测所述呼出气体样本中针对所述阻塞性睡眠呼吸暂停综合症的对应气体的气体浓度；所述分析模块用于将检测出的气体浓度与预设的正常气体浓度范围进行比较，并在所述气体浓度未落入正常气体浓度范围的情况下，判定所述呼出气体样本所对应的用户患有所述阻塞性睡眠呼吸暂停综合症。睡眠呼吸暂停综合症。睡眠呼吸暂停综合症。


技术研发人员：赵康卿 周波 李青峰
受保护的技术使用者：杭州迈动数康科技有限公司
技术研发日：2023.03.13
技术公布日：2023/7/20