一种基于深度学习的单导联 ECG 信号睡眠呼吸暂停检测新方法
计算机视觉与模式识别
2022-09-13 v2
摘要
睡眠呼吸暂停（SA）是一种以打鼾和慢性失眠为特征的睡眠障碍，可导致高血压、心力衰竭和心肌病（心肌组织增大）等严重病症。心电图（ECG）在识别 SA 中起着关键作用，因其可能揭示异常心脏活动。近期基于 ECG 的 SA 检测研究集中于从多导联 ECG 信号提取特定特征并用作分类模型输入的特征工程方法。本研究提出一种基于 S 波峰检测的特征提取新方法，以利用单导联 ECG 增强对相邻 SA 片段的检测。具体而言，使用单导联（V2）采集的 ECG 特征来识别 SA 发作。在提取的特征上训练 CNN 模型以检测 SA。实验结果表明，所提方法从单导联 ECG 数据检测 SA 的准确率高于现有最优方法，分类准确率为 91.13%、灵敏度为 92.58%、特异度为 88.75%。此外，进一步使用与 S 波峰相关的特征使分类准确率提升 0.85%。我们的发现表明，所提机器学习系统有潜力成为检测 SA 发作的有效方法。
引用
@article{arxiv.2208.03408,
title = {A novel deep learning-based approach for sleep apnea detection using single-lead ECG signals},
author = {Anh-Tu Nguyen and Thao Nguyen and Huy-Khiem Le and Huy-Hieu Pham and Cuong Do},
journal= {arXiv preprint arXiv:2208.03408},
year = {2022}
}
备注
This work has been accepted for publication by the Asia Pacific Signal and Information Processing Association Annual Summit and Conference 2022 (APSIPA ASC 2022)