基于卷积神经网络的睡眠呼吸暂停自动检测方法

作者：高群霞; 商丽娟; 吴凯

来源：生物医学工程学杂志, 2021, 38(04): 678-685.

• 睡眠呼吸暂停
• 卷积神经网络
• 单通道心电信号
• RR间期
• R峰值

传统基于机器学习的睡眠呼吸暂停(SA)检测方法,需花大量工作在特征工程与分类器设计上。本文提出了一种基于卷积神经网络(CNN)的SA自动检测方法,构建了一个包含4个卷积层、4个池化层、2个全连接层和1个分类层的一维CNN网络模型,通过网络自身结构实现特征自动提取与分类。利用呼吸暂停-心电图(Apnea-ECG)数据库中70例整晚单通道睡眠心电图(ECG)数据对该方法进行了验证,通过对比实验发现当输入为单通道ECG信号、RR间期(RRI)序列、R峰值序列、RRI序列+R峰值序列四种情况时,网络在SA片段检测上的准确率为80.1%～88.0%,表明该CNN网络是有效的,能从原始单通道ECG信号或其派生信号RRI、R峰值序列中自动提取特征并分类。当网络输入为RRI序列+R峰值序列时效果最好,在片段SA检测上的准确率、灵敏度和特异度分别为88.0%、85.1%和89.9%,个体SA诊断准确率达100%。研究结果表明,本文提出的方法能有效提高SA检测的准确性和鲁棒性,且性能优于近年主要文献报道,有望应用于配备远程服务器的便携式SA筛查诊断设备中。

• 单位
  广州大学华软软件学院; 华南理工大学; 广东东软学院