AIOSA:一种基于深度学习自动识别阻塞性睡眠呼吸暂停事件的方法
机器学习
2023-02-13 v1 神经与进化计算
摘要
阻塞性睡眠呼吸暂停综合征(OSAS)是最常见的睡眠相关呼吸障碍。它由睡眠期间上气道阻力增加引起,导致部分或完全气流中断的发作。OSAS 的检测和治疗在卒中患者中尤为重要,因为重度 OSAS 的存在与更高的死亡率、更严重的神经功能缺损、康复后更差的功能结局以及更高的未控制高血压可能性相关。诊断 OSAS 的金标准检查是多导睡眠图(PSG)。遗憾的是,在如卒中单元这类电学环境恶劣、患者存在神经功能障碍的情况下进行 PSG 是一项困难的任务;此外,每日卒中数量超过了多导睡眠图仪和专职医护人员的可用数量。因此,亟需一种简单且自动化的识别系统,基于常规记录的生命体征在急性卒中患者中识别 OSAS。迄今为止的大多数工作聚焦于理想条件和高度筛选患者下记录的数据,因而在真正有用的实际环境中几乎无法应用。本文中,我们提出一种卷积深度学习架构,能够降低原始波形数据(如生理信号)的时间分辨率,提取可用于进一步处理的关键特征。我们利用基于该架构的模型,从非筛选患者的监护记录中检测卒中单元里的 OSAS 事件。与现有方法不同,标注以一秒粒度进行,使医生能更好地解释模型输出。领域专家认定结果令人满意。此外,基于广泛使用的基准,我们表明所提方法优于当前最先进的(state-of-the-art)方案。
引用
@article{arxiv.2302.05179,
title = {AIOSA: An approach to the automatic identification of obstructive sleep apnea events based on deep learning},
author = {Andrea Bernardini and Andrea Brunello and Gian Luigi Gigli and Angelo Montanari and Nicola Saccomanno},
journal= {arXiv preprint arXiv:2302.05179},
year = {2023}
}
备注
Final article published on Artificial Intelligence in Medicine Journal