1.一种基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，所述方法包括如下步骤：步骤1、获取原始多模态生理信号，对原始多模态生理信号进行预处理，得到预处理后的信号窗口；

步骤2、对预处理后的信号窗口进行节点定义操作，得到节点集合，基于节点集合分别进行同质边构建和异质边构建，分别得到同质边集合和异质边集合；

步骤3、基于节点集合，利用残差卷积神经网络对节点对应的信号窗口进行特征提取，得到节点嵌入特征，节点嵌入特征、同质边集合和异质边集合构成睡眠异构图；

步骤4、将睡眠异构图输入至图卷积层中进行处理，得到更新后的节点特征向量；

步骤5、对更新后的节点特征向量进行拼接，得到拼接后的特征矩阵，基于多头自注意力机制和多层感知器构建亚型分类模块，利用亚型分类模块对拼接后的特征矩阵进行处理，得到不同睡眠呼吸暂停亚型的分类结果。

2.根据权利要求1所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，在所述步骤1中，获取原始多模态生理信号，对原始多模态生理信号进行预处理，得到预处理后的信号窗口，具体包括如下子步骤：获取原始多模态生理信号，对原始多模态生理信号进行筛选，得到血氧饱和度信号、鼻气流信号和胸部运动信号；

利用插值技术将血氧饱和度信号、鼻气流信号和胸部运动信号统一重采样至20HZ，得到重采样的血氧饱和度信号、重采样的鼻气流信号和重采样的胸部运动信号；

利用四阶巴特沃斯带通滤波器对重采样的鼻气流信号和重采样的胸部运动信号进行滤波处理，得到滤波处理后的鼻气流信号和滤波处理后胸部运动信号；

对重采样的血氧饱和度信号、滤波处理后的鼻气流信号和滤波处理后胸部运动信号进行标准化处理，得到标准化血氧饱和度信号、标准化鼻气流信号和标准化胸部运动信号；

对标准化血氧饱和度信号、标准化鼻气流信号和标准化胸部运动信号进行数据筛选与平衡，得到预处理后的信号窗口。

3.根据权利要求2所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，在所述步骤2中，对预处理后的信号窗口进行节点定义操作，得到节点集合，基于节点集合分别进行同质边构建和异质边构建，分别得到同质边集合和异质边集合，节点集合、同质边集合和异质边集合构成睡眠异构图，具体包括如下子步骤：基于预处理后的信号窗口，将每个20秒的信号窗口定义为一个节点并根据信号通道划分节点类型，得到节点集合；

基于节点集合，将同一信号通道内的节点进行全连接，得到同质边集合；

基于节点集合，将呼吸事件节点与血氧饱和度最低值节点连接，得到跨通道边集合，对应过程中存在如下关系式：；

其中， 表示跨通道边集合， 表示鼻气流或胸部运动通道里表征关键呼吸事件时刻的中心事件窗口对应的节点， 表示鼻气流通道对应的节点， 表示胸部运动通道对应的节点， 表示血氧饱和度通道中对应样本窗口内最低氧饱和度数值的节点， 表示最低血样饱和度数值；

基于节点集合并给定互信息阈值，计算鼻气流节点与胸部运动节点之间的互信息值，对超过互信息阈值的互信息值所对应的节点构建互信息边，得到互信息边集合，对应过程中存在如下关系式：；

其中， 表示互信息边集合， 表示鼻气流和胸部运动节点之间的互信息， 表示互信息阈值；

跨通道边集合和互信息边集合组合构成异质边集合。

4.根据权利要求3所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，在所述步骤3中，基于节点集合，利用残差卷积神经网络对节点对应的信号窗口进行特征提取，得到节点嵌入特征，节点嵌入特征、同质边集合和异质边集合构成睡眠异构图，具体包括如下子步骤：S101、将节点对应的信号窗口输入到第一个残差块中依次进行两层一维卷积层处理、批归一化处理和LeakyReLU函数处理，得到第一个残差块第二层的输出；

S102、将第一个残差块的输入与第一个残差块第二层的输出进行残差跳跃连接，得到第一个残差块的输出；

以迭代的方式将第一个残差块的输出重复S101和S102的步骤，得到第三个残差块的输出，对第三个残差块的输出特征进行全局平均池化操作，得到节点嵌入特征；

节点嵌入特征、同质边集合和异质边集合构成睡眠异构图。

5.根据权利要求4所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，将节点对应的信号窗口输入到第一个残差块中依次进行两层一维卷积层处理、批归一化处理和LeakyReLU函数处理，得到第一个残差块第二层的输出，对应过程中存在如下关系式：；

其中， 表示第一个残差块第一层的输出， 表示第一个残差块第二层的输出，表示节点对应的信号窗口， 表示第一个残差块中第一层的卷积权重， 表示第一个残差块中第一层的偏置， 表示第一个残差块中第二层的卷积层权重， 表示第一个残差块中第二层的偏置， 表示经过一维卷积层处理， 表示经过激活函数处理， 表示经过批归一化处理；

在将第一个残差块的输入与第一个残差块第二层的输出进行残差跳跃连接，得到第一个残差块的输出的步骤中，对应过程中存在如下关系式：；

其中， 表示第一个残差块的输出；

在以迭代的方式将第一个残差块的输出重复S101和S102的步骤，得到第三个残差块的输出，对第三个残差块的输出特征进行全局平均池化操作，得到节点嵌入特征的步骤中，对应过程中存在如下关系式：；

其中， 表示节点嵌入特征， 表示时间步数， 表示第3个残差块在第 个时间步的输出特征。

6.根据权利要求5所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，在步骤4中，将睡眠异构图输入至图卷积层中进行处理，得到更新后的节点特征向量，具体包括如下子步骤：基于图注意力网络卷积层，利用LeakyReLU函数计算同质边的节点嵌入特征的注意力系数，得到同质边节点的注意力系数；

利用softmax函数对同质边节点的注意力系数进行归一化处理，得到同质边节点归一化后的注意力系数；

利用同质边节点归一化后的注意力系数对邻居节点的特征进行加权聚合，得到更新后的同质边节点特征；

基于图采样与聚合网络卷积层，对异质边节点的邻居节点进行采样，得到采样后的邻居节点集合，基于采样后的邻居节点集合利用均值聚合函数对采样的邻居节点的特征向量进行聚合操作，得到邻居节点的聚合特征；

对异质边节点的特征向量和邻居节点的聚合特征分别进行线性变换，并输入至ReLU函数中进行处理，得到更新后的异质边节点特征；

对更新后的同质边节点特征和更新后的异质边节点特征进行跨边类型最小聚合操作，得到更新后的节点特征向量。

7.根据权利要求6所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，基于图注意力网络卷积层，利用LeakyReLU函数计算同质边的节点嵌入特征的注意力系数，得到同质边节点的注意力系数，对应过程中存在如下关系式：；

其中， 表示节点 与其邻居节点 的注意力系数， 表示节点 的特征向量， 表示节点 的邻居节点 的特征向量， 表示注意力机制参数， 表示可学习的权重矩阵，表示向量拼接操作，表示同质边节点， 表示节点 的同质边邻居节点；

利用softmax函数对同质边节点的注意力系数进行归一化处理，得到同质边节点归一化后的注意力系数，对应过程中存在如下关系式：；

其中， 表示节点 与其邻居节点 归一化后的注意力系数， 表示经过归一化处理；

利用归一化后的注意力系数对邻居节点的特征进行加权聚合，得到更新后的同质边节点特征，对应过程中存在如下关系式：；

其中， 表示更新后的节点 的特征向量， 表示邻居节点 的集合， 表示激活函数；

基于图采样与聚合网络卷积层，对异质边节点的邻居节点进行采样，得到采样后的邻居节点集合，基于采样后的邻居节点集合利用均值聚合函数对采样的邻居节点的特征向量进行聚合操作，得到邻居节点的聚合特征，对应过程中存在如下关系式：；

其中， 表示邻居节点的聚合特征， 表示采样的邻居节点 的特征向量， 表示采样的邻居节点， 表示采样后的邻居节点集合， 表示经过均值聚合函数处理；

对异质边节点的特征向量和邻居节点的聚合特征分别进行线性变换，并输入至ReLU函数中进行处理，得到更新后的异质边节点特征，对应过程中存在如下关系式：；

其中， 表示更新后的异质边节点 的特征向量， 表示经过修正线性单元激活函数处理， 表示异质边节点 的特征向量， 表示对异质边节点的特征向量进行线性变换的可学习权重矩阵， 表示对邻居节点的聚合特征进行线性变换的可学习权重矩阵；

对更新后的同质边节点特征和更新后的异质边节点特征进行跨边类型最小聚合操作，得到更新后的节点特征向量，对应过程中存在如下关系式：；

其中， 表示更新后的节点特征向量， 表示取最小值操作。

8.根据权利要求7所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，在所述步骤5中，对更新后的节点特向量征进行拼接，得到拼接后的特征矩阵，基于多头自注意力机制和多层感知器构建亚型分类模块，利用亚型分类模块对拼接后的特征矩阵进行处理，得到不同睡眠呼吸暂停亚型的分类结果，具体包括如下子步骤：对更新后的节点特征向量进行拼接，得到拼接后的特征矩阵；

基于多头自注意力机制，对拼接后的特征矩阵分别与每个注意力头进行线性变换，分别得到对应注意力头的查询矩阵、对应注意力头的键矩阵和对应注意力头的值矩阵；

利用Softmax函数对注意力头的查询矩阵和注意力头的键矩阵进行处理，得到注意力分数矩阵；

将注意力头的值矩阵和注意力分数矩阵进行加权融合，得到注意力头的输出；

将注意力头的输出进行拼接，得到拼接后的矩阵，对拼接后的矩阵进行线性变换，得到最终的图特征；

将最终的图特征依次进行全连接层变换处理和激活处理，得到全连接层的输出；

将最后一层全连接层的输出输入到Softmax函数中进行处理，得到不同睡眠呼吸暂停亚型的分类结果。

9.根据权利要求8所述的基于多模态信息融合的睡眠呼吸暂停亚型检测方法，其特征在于，对更新后的节点特征向量进行拼接，得到拼接后的特征矩阵，对应过程中存在如下关系式：；

其中， 表示拼接后的特征矩阵， 均表示更新后的节点特征向量，表示睡眠异构图中所有节点的数量；

在基于多头自注意力机制，对拼接后的特征矩阵分别与每个注意力头进行线性变换，分别得到对应注意力头的查询矩阵、对应注意力头的键矩阵和对应注意力头的值矩阵的步骤中，对应过程中存在如下关系式：；

其中， 表示第 个注意力头的查询矩阵， 表示第 个注意力头的键矩阵， 表示第 个注意力头的值矩阵， 表示第 个注意力头用于生成查询矩阵的权重矩阵， 表示第 个注意力头用于生成键矩阵的权重矩阵， 表示第 个注意力头用于生成值矩阵的权重矩阵，表示注意力头的索引，表示注意力头的数量；

在利用Softmax函数对注意力头的查询矩阵和注意力头的键矩阵进行处理，得到注意力分数矩阵的步骤中，对应过程中存在如下关系式：；

其中， 表示第 个注意力分数矩阵， 表示注意力头的维度；

在将注意力头的值矩阵和注意力分数矩阵进行加权融合，得到注意力头的输出的步骤中，对应过程中存在如下关系式：；

其中， 表示第 个注意力头的输出；

在将注意力头的输出进行拼接，得到拼接后的矩阵，对拼接后的矩阵进行线性变换，得到最终的图特征的步骤中，对应过程中存在如下关系式：；

其中， 表示拼接后的矩阵， 均表示注意力头的输出， 表示最终的图特征， 表示用于对拼接后的矩阵进行线性变换的可学习权重矩阵；

在将最终的图特征依次进行全连接层变换处理和激活处理，得到全连接层的输出的步骤中，对应过程中存在如下关系式：；

其中， 表示第一层全连接层的输出， 表示全连接层第一层的权重矩阵， 表示全连接层第一层的偏置向量， 表示第 层全连接层的输出， 表示第 层全连接层的输出， 表示全连接层第 层的权重矩阵， 表示全连接层第 层的偏置向量，表示多层感知器中全连接层的总层数；

在将最后一层全连接层的输出输入到Softmax函数中进行处理，得到不同睡眠呼吸暂停亚型的分类结果的步骤中，对应过程中存在如下关系式：；

其中， 表示不同睡眠呼吸暂停亚型的分类结果。