1.一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，包括步骤：S1、采集SHHS数据库中SHHS1部分的前X个受试者睡眠多导图中的SaO2信号，选用最近赋值法对SaO2信号进行去伪影处理，获取预处理后的SaO2信号；

S2、对预处理后的SaO2信号进行分段处理，提取时域特征、频域特征和非线性特征，选用mRMR方法对提取的特征进行处理，并筛选出最优特征；

S3、对预处理后的SaO2信号进行分段处理，并自定义每片段数据基线值，提取多种与基线相关特征，即基线过零率特征、SaO2信号下降至基线预设百分比以下的长度及面积特征，并与步骤S2中所获取的最优特征合并成特征数据集；

S4、依据SHHS数据库中提取数据对应的注释文件，计算AHI值，根据AHI值对特征数据集进行分类，选取随机平衡数据法对不平衡数据集进行处理，得到平衡数据集；

S5、将平衡数据集作为随机森林分类器的输入，对数据集进行训练和测试，得到最终分类结果。

2.根据权利要求1所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S1中，具体包括：

S1.1、采集SHHS数据库中SHHS1部分的前1000个首个数据非零受试者的SaO2信号，并提取每位受试者前16000个采样点；

S2.2、选用最近赋值法对已提取数据进行去零电平伪影处理，以获取预处理后的SaO2信号，处理方式如下：

其中n为零电平伪影所对应采样点数值，w(n)为原始信号数据，x(n)为预处理之后信号数据。

3.根据权利要求1所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S2中：

时域特征包括SaO2信号的平均值、方差、能量、均方根；一阶求导的最大值、均值、中值、标准差；二阶求导的最大值、均值、中值、标准差，峰值系数、波形系数特征；

频域特征包括信号频谱、能量谱、功率谱、小波能量、小波系数、平均频率、重心频率、频率均方根、频率标准差特征；

非线性特征包括各片段间的自相关系数、信号波动频率特征。

4.根据权利要求3所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S2中，所述选用mRMR方法对提取的特征进行处理，并筛选出最优特征，具体为：给定两个随机连续变量x和y，它们的概率密度函数为p(x)、p(y)、p(x,y)，则互信息为：D(S,c)表示特征集S与类c的相关性，由各个特征fi和类c之间的所有互信息值的平均值定义如下：

R(S)表示集合S中所有特征的冗余性，由特征fi和fj之间的所有互信息值的平均值定义如下：

mRMR标准为两种措施的组合，即相关性和冗余性的trade‑off，定义如下：并选用mRMR方法筛选出具有最大相关性、最小冗余性特征。

5.根据权利要求1所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S3中，具体包括：

S3.1、对预处理后的SaO2信号进行分段处理，自定义正常片段内的基线值为该片段的第

54个采样点对应数值，若该片段内有呼吸事件的产生，则定义该片段的基线值与上一正常片段的基线值相等；

S3.2、提取基线过零率特征，每片段数据减去对应片段的基线值，得到一组新的数据，基线过零率特征即为新数据集的过零点数；

S3.3、分别提取SaO2信号下降至基线值2％、3％、4％以下的长度及面积特征；

S3.4、将基线相关特征与步骤S2中筛选出的最优特征合并为特征数据集。

6.根据权利要求5所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S3.3中，提取SaO2信号下降至基线值2％以下的长度及面积特征的具体方法为：设Tj为每分钟片段下降至基线值2％以下的SaO2信号幅值，且该信号幅值的采样点个数为N，则SaO2信号下降至基线值2％以下的长度即为每分钟片段下降至基线值2％以下的SaO2信号幅值的采样点个数N，SaO2信号下降至基线值2％以下的面积即为：提取SaO2信号下降至基线值3％、4％以下的长度及面积特征的方法与所述提取SaO2信号下降至基线值2％以下的长度及面积特征的方法一致。

7.根据权利要求1所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S4中，具体包括以下步骤：S4.1、依据SHHS数据库中提取数据对应的注释文件，计算AHI值，根据AHI值对特征数据集进行分类并打上标签：

其中受试者AHI值小于5，打标签为0，为未患病受试者；受试者AHI值在5到15之间，打标签为1，为轻度患病受试者；受试者AHI值在15到30之间，打标签为2，为中度患病受试者；受试者AHI值大于30，打标签为3，为重度患病受试者；

S4.2、随机平衡数据法将平衡阈值M设置为M＝L/4，其中L为计划最终进行实验使用的数据条数；

S4.3、分别有放回地随机抽M次未患病受试者SaO2信号特征数据和轻度患病受试者SaO2信号特征数据；

S4.4、分别无重复地随机抽取M个SAHS中度患病受试者SaO2信号特征数据、重度患病受试者SaO2信号特征数据；

S4.5、将步骤S4.3以及S4.4抽取数据集中在一起，即得到包含N条SaO2信号特征数据的平衡数据集。

8.根据权利要求1所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S5中，具体包括以下步骤：S5.1、用Bagging方法对给定训练数据集进行有放回自助抽样，以形成多个子训练数据集{θ′k}；

S5.2、生成针对每个子训练集所对应的决策树；

S5.3、将所有形成的决策树结合，组成随机森林分类器；

S5.4、将平衡数据集输入随机森林分类器，并通过投票法对平衡数据集中样本进行分类，以得到分类结果，且结果如下：式中ntree表示决策树的数量，I(·)表示指示器函数，c表示得到票数最多的样本类别，随机森林分类器设为S(x,θk)，{θk}为测试数据集。

9.根据权利要求8所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，步骤S5.2中生成决策树的具体步骤包括：S5.2.1、从{θ′k}的H个属性特征中任意选出h个特征做分类的候选属性特征，其中且向下取整；

S5.2.2、计算所选h个特征的节点Gini不纯度；

S5.2.3、选择Gini不纯度中最小的属性特征作为分类特征属性，并依据所选出的属性特征将所在节点分为两类；

S5.2.4、从剩余的属性特征中选出Gini不纯度最小的属性特征作为分类特征属性，并依据所选出的属性特征将所在节点分为两类；

S5.2.5、重复操作步骤S5.2.4，直到生成的决策树可以准确地将训练集T中的样本进行分类，或者是将所有的属性特征用完为止。

10.根据权利要求1所述的一种基于SaO2信号多种基线特征的自动识别SAHS方法，其特征在于，随机森林分类器的决策树个数为100、最小采样点数为5、最小并行数为5，且随机森林分类器设为自动平衡权重。