基于一维CNN的物联网传感器睡眠呼吸暂停检测深度学习技术
机器学习
2021-06-18 v1 信号处理
摘要
用于健康监测的物联网（IoT）可穿戴传感器被广泛用于降低个人医疗成本并改善生活质量。以呼吸异常减弱或暂停为特征的睡眠呼吸暂停低通气综合征极大影响个体的睡眠质量。本文介绍了一种从可穿戴设备获得的心电图（ECG）信号中检测呼吸暂停（呼吸暂停）的新方法。其新颖性在于以秒为单位的呼吸暂停检测高分辨率，这是通过使用一维卷积神经网络进行特征提取和睡眠呼吸暂停事件检测实现的。所提方法准确率为 99.56%，灵敏度为 96.05%。该模型优于几种低分辨率的 SOTA 呼吸暂停检测方法。分析了所提模型的复杂度。我们还分析了模型剪枝与二值化以降低可穿戴 IoT 设备资源需求的可行性。具有 80% 稀疏度的剪枝模型准确率为 97.34%，灵敏度为 86.48%。二值化模型准确率为 75.59%，灵敏度为 63.23%。还研究了由通用模型导出的低复杂度患者特定模型的性能，以分析重新训练现有模型以适应患者特定需求的可行性。患者特定模型平均准确率为 97.79%，灵敏度为 92.23%。本工作的源代码已公开可用。
引用
@article{arxiv.2105.00528,
title = {A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors},
author = {Arlene John and Barry Cardiff and Deepu John},
journal= {arXiv preprint arXiv:2105.00528},
year = {2021}
}
备注
Accepted for discussion at the IEEE International Symposium on Circuits and Systems (ISCAS) 2021