使用卷积神经网络自动诊断阻塞性睡眠呼吸暂停
机器学习
2020-06-16 v1 信号处理
机器学习
摘要
从夜间多导睡眠图（PSG）记录中识别睡眠问题的严重程度，在诊断和治疗诸如阻塞性睡眠呼吸暂停（OSA）等睡眠障碍中起着重要作用。传统上，这种分析由专家通过视觉检查手动完成，这可能繁琐、耗时且容易出现主观错误。解决方案之一是使用卷积神经网络（CNN），其中卷积层和池化层充当特征提取器，而一些全连接（FCN）层用于对OSA严重程度进行最终预测。本文提出了一种用于分类的一维卷积和FCN层CNN架构。本项目的PSG数据来自克利夫兰儿童睡眠与健康研究数据库，分类结果证实了所提CNN方法的有效性。所提一维CNN模型无需对PSG信号进行特征提取和特征降维等手动预处理，即可获得优异的分类结果。
引用
@article{arxiv.2006.07664,
title = {Automate Obstructive Sleep Apnea Diagnosis Using Convolutional Neural Networks},
author = {Longlong Feng and Xu Wang},
journal= {arXiv preprint arXiv:2006.07664},
year = {2020}
}
备注
10 pages, 3 figures, AMMCS-2019 International Conference