MobileNetV2:用于居家睡眠呼吸暂停筛查的轻量级分类模型
计算与语言
2024-12-31 v1 人工智能
摘要
本研究提出一种新型轻量级神经网络模型,利用从心电图(ECG)和呼吸信号中提取的特征用于早期睡眠呼吸暂停(OSA)筛查。ECG信号用于生成特征频谱图以预测睡眠阶段,而呼吸信号用于检测与睡眠相关的呼吸异常。通过整合这些预测,该方法计算出改进精度的呼吸暂停指数(AHI),以实现精准的OSA诊断。该方法在三个公开可用的睡眠呼吸暂停数据库上进行了验证:Apnea-ECG数据库、UCDDB数据集和MIT-BIH多导睡眠图数据库。结果显示OSA检测整体准确率为0.978,凸显该模型的稳健性。呼吸事件分类的准确率为0.969,受试者工作特征曲线下面积(ROC-AUC)为0.98。对于睡眠阶段分类,UCDDB数据集中,所有阶段的ROC-AUC均超过0.85,睡眠召回率达到0.906,REM和清醒状态的特异度分别为0.956和0.937。该研究凸显了将轻量级神经网络与多信号分析相结合用于准确、便携且具有成本效益的OSA筛查的潜力,为更广泛地在居家和可穿戴健康监测系统中采用铺平了道路。
引用
@article{arxiv.2412.19966,
title = {Bridging Context Gaps: Enhancing Comprehension in Long-Form Social Conversations Through Contextualized Excerpts},
author = {Shrestha Mohanty and Sarah Xuan and Jacob Jobraeel and Anurag Kumar and Deb Roy and Jad Kabbara},
journal= {arXiv preprint arXiv:2412.19966},
year = {2024}
}
备注
Accepted at COLING 2025