基于深度神经网络的呼吸事件自动检测

评估睡眠期间呼吸状态的金标准是多导睡眠图；该技术要求高、昂贵（在分析时间和测量成本上），且难以重复。呼吸分析的自动化可提高检测效率，并在全球范围内实现可及的实施机会。利用来自麻省总医院（MGH）的 9,656 份多导睡眠图记录，我们训练了一个基于单一呼吸努力带的神经网络（WaveNet），用于检测阻塞性呼吸暂停、中枢性呼吸暂停、低通气以及与呼吸努力相关的微觉醒。性能评估包含基于事件和基于记录的指标——采用呼吸暂停-低通气指数分析。该模型进一步在一个公共数据集 Sleep-Heart-Health-Study-1 上进行了评估，该数据集包含 8,455 份多导睡眠图记录。对于 MGH 数据集中的二分类呼吸暂停事件检测，该神经网络获得了 95% 的准确率、0.89 的呼吸暂停-低通气指数 $r^2$，以及受试者工作特征曲线下面积和精确率-召回率曲线下面积分别为 0.93 和 0.74。对于多分类任务，我们获得了不同的性能：所有标注的中枢性呼吸暂停中 81% 被正确分类，而阻塞性呼吸暂停、与呼吸努力相关的微觉醒和低通气的该指标分别为 46%、29% 和 16%。大多数错误预测是被误分类为另一种类型的呼吸事件。我们的全自动方法能够以足以临床应用的准确度检测呼吸事件并评估呼吸暂停-低通气指数。事件类型的区分更为困难，可能部分反映了人类呼吸输出的复杂性以及人工标注所用临床阈值和标准具有一定任意性。