一种基于DCCA的多模态融合阻塞性睡眠呼吸暂停识别方法

本发明提供了一种基于深度典型相关分析(DCCA)的多模态融合阻塞性睡眠呼吸暂停(OSA)识别方法。针对多模态特性，设计了从数据预处理、特征提取与筛选到特征融合与分类的全流程。首先，采集受试者的AHI指数、语音数据和颅面图像数据，并进行预处理，提取DeepSpectrum语音特征和基于MediaPipe的几何形态学图像特征。随后，分别采用竞争群优化器(CSO)和ReliefF算法进行特征筛选。针对类不平衡问题，引入基于自适应马氏距离的过采样(AMDO)方法平衡数据。通过DCCA对两个模态的高维特征进行非线性映射与深度融合，生成低维高相关性特征，提升模态间的信息互补性。最终将融合特征输入分类器并用五折交叉验证评估性能。本发明利用DCCA实现了模态间的有效融合，为OSA的早期筛查与辅助诊断提供了新方法。