基于模糊推理和神经网络的呼吸障碍诊断方法的研究

【作 者】陈敏，尹学志

1 上海理工大学上海医疗器械高等专科学校，上海 ，200093

2 上海贝瑞电子科技有限公司，上海，200125

睡眠时，气道阻塞严重，甚至关闭，无法正常通气称为睡眠呼吸暂停综合征（Sleep Apena Syndrome,SAS）。睡眠呼吸暂停综合征是一种睡眠呼吸紊乱的危险性疾病，国际上通常把鼻和口腔气流暂停超过10s的现象称之为睡眠呼吸暂停，因为s秒以上的呼吸停止可以造成患者血液里的氧气明显减少，引起机体缺氧。

睡眠呼吸暂停会导致缺氧和二氧化碳滞留，从而引起多器官的各种并发症，如低血糖、高碳酸血症、高血压、肾功能损害和血粘度增高等。在成人中SAS发病率约为2%～4%，对婴儿的危险程度和有可能导致的伤害也是一个十分严重的问题。特别是，新生儿及婴儿一天中的大部分时间在睡眠中度过，睡眠呼吸暂停所致的缺氧、睡眠紊乱及呼吸运动异常，常会引起智力受损、发育畸形等。

现行多导睡眠图主要监测EEG、ECG、EOG、EMG、胸腹式呼吸运动、鼾声、脉搏、血氧饱和度、脉搏波、呼吸频率、体位等10余种的生理信号。脑电、心电等生理信号的获得，将有微弱电流流过患者的头部或胸腔，对于婴儿来说会略感不适。并且在小儿呼吸停止而还有心跳时，有信号输入，不能准确地监测到小儿的呼吸状态。

本文在无创监测的原则下，采用血氧饱和度和呼吸末CO2信号，利用神经网络对呼吸状态模糊逻辑系统中的隶属度函数及模糊规则进行训练优化，探索一种基于自适应神经模糊推理系统（adaptive-networkbased fuzzy inference system，ANFIS）的呼吸障碍分析算法。

1 基于神经网络的呼吸状态模糊推理模型

1.1 多参数的呼吸信号提取

人体的呼吸调节是一个复杂的过程，分为外呼吸和内呼吸两种过程，其目的在于为机体提供氧气并排出二氧化碳以及稳定血液的酸碱度，维持人体的内部环境。我们选用呼气末二氧化碳分压PetCO2、脉率氧饱和度监测SpO2、心搏频率HR作为系统的输入信号，因为这三个参数能够无创获得，并且既能反映机体的含氧量，又能体现机体的排二氧化碳量以及通气过程中的生理情况。

(1) 呼气末二氧化碳分压PetCO2

PetCO2为呼气终末期呼出的混合肺泡气含有的二氧化碳分压或浓度值，可反映肺通气和肺血流量。PetCO2正常值 在32～42 mmHg范围内。

(2) 脉率氧饱和度监测（SpO2）

根据血红蛋白的光吸收特性，通过动脉脉搏波动的分析，测定血液在一定的氧分压下，氧合血红蛋白（HbO2）占全部血红蛋白（Hb）的百分比值。SpO2能及时有效地评价血氧饱和或亚饱和状态，了解机体的氧合功能。SpO2正常值为92%～100%。

(3) 心搏频率HR

简称“心率”，每分钟心脏跳动的次数，正常时同脉搏一致。成年人安静时平均为70～75次/min，女性较男性稍快，婴儿可达120次/min。

1.2 呼吸参数的模糊化

(1) SpO2参数模糊化处理

对于脉率氧饱和度参数SpO2，临床上认为低于85%属于极度紧急的状况，85%～93%属于偏低的状况，91%～100%属于正常情况。所以对于SpO2可定义{低，正常} 二个模糊子集，隶属度函数采用梯形函数，可表示为：

(2) 其它参数模糊模糊化处理

同样可获得其他参数的模糊化子集。上述3个呼吸参数经过模糊化后，就可得到相应得精确值属于它所在的论域中的每个模糊集的隶属度。

1.3 呼吸状态模糊规则库的建立

利用模糊推理方法进行呼吸状判别的核心，在于建立输入与输出之间的模糊映射关系模型。通常而言，一个模糊推理系统应包括输入量的模糊接口、模糊规则库、模糊推理机、输出量的解模糊接口四部分，其中模糊规则库是根据专家的经验总结出来的。

同时考虑SpO2、PetCO2、HR三个参数，则判断的模糊集为一个关系矩阵，其中病人的呼吸状态可看作一个集合：{呼吸暂停、低通气、呼吸尚可、呼吸通畅}，记为{Suspended、Questionable、Stable、Good}。

令X={Low, OK}表示SpO2参数集

Y={Low, OK,High}表示PetCO2参数集

Z={Low, OK,High}表示HR参数集

则病人呼吸状态评价如表1所示，采用3个参数，模糊规则表共计2*3*3=18项。

表1 呼吸状态评价表Tab.1 The evaluation of breathing condition

2 呼吸状态模糊神经网络的建立

从专家那里获取的模糊逻辑规则一般来说比较简单。对于多信号的信息融合，如果采用模糊逻辑（Fuzzy logic）和神经网络结合的融合模型，则既能利用神经网络的学习能力来提高模糊规则的准确性，又能缩短网络训练时间。因为神经网络模型具有较强的自适应学习能力，但由于黑箱的学习模式，其学习结果所获得的输入输出关系无法被人接受。相反，模糊逻辑则是建立在“If—then”的表达方式上，可自动生成和调整危险隶属度函数和规则，两者通过网络学习结合，系统由模糊系统来标示，隶属度函数通过神经网络的学习来形成和调整，形成神经模糊系统，可以实现集学习能力和结构性知识表达能力于一体。呼吸状态模糊神经网络的整体系统结构如图1所示。

图1 模型整体框架Fig.1. Diagram of the Model

模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层。输入层与输入向量连接，模糊化层采用隶属度函数对输入值进行模糊化到模糊隶属度值，模糊规则计算层根据模糊卷积运算得到连乘算子，输出层为模糊计算的结果，表达式为：

模糊神经网络的学习算法本文采用减法式分类估计算法。减法式分类估计算法能有效地估计数值数据的分类中心，即可以提供模类数和初始值，也可以建立快速有效的模糊模型。因此，我们采用该分类估计法获得模型的初始化条件。

3 实验结果与分析

实验随机选取了呼吸参数离散数据表中的400组数据作为样本，其中350个作为训练样本，其余50组作为测试样本，设定循环次数为200。表2为监测的实际值、BP神经网络的测试结果以及模糊神经网络的测试结果。从表2可以看出模糊神经网络对增加诊断精度，提高智能判断能力，有十分明显的效果。

用训练好的模糊神经网络诊断病人的呼吸状态，将状态分为4级，分别为呼吸暂停、低通气、呼吸尚可、呼吸通畅。得到的呼吸状态监护的诊断数据如图2所示，模糊神经网络诊断的呼吸状态与真实呼吸指标变化状态相符，说明本系统的有效性。

4 结论

利用模糊推理和神经网络的优势，本文提出了一种基于模糊逻辑和神经网络的呼吸障碍的监护方法。利用模糊推理系统，根据临床经验得出的模糊规则，模拟专家在诊断呼吸障碍的过程。对不同网络模型训练结果作了比较，并用实际样本值进行检验，表明本文方法具有有较好的诊断效果及准确度。

图2 模型验证结果Fig.2. The validation results of the model

[1] 曹鄂洪, 童茂荣. 睡眠呼吸暂停综合症诊疗手册[M]. 南京: 南京出版社, 1997

[2] 袁曾任. 人工神经元网络及其应用[M]. 北京; 清华大学出版社,1999

[3] 潘泉, 于昕等. 信息融合理论的基本方法与进展[J]. 自动化学报,2003, 29(4): 600-609.