基于深度学习的阻塞性睡眠呼吸暂停患者多层次气道塌陷自动监测
声音
2025-01-10 v2 人工智能
机器学习
音频与语音处理
摘要
本研究探讨了基于深度学习识别阻塞性睡眠呼吸暂停（OSA）患者多层次上气道塌陷的方法，依据打鼾声音。我们对使用来自2020至2021年接受药物诱导睡眠内镜（DISE）检查的37名受试者的打鼾录音进行ResNet-50和Audio Spectrogram Transformer（AST）模型的微调。根据VOTE（Velum、Oropharynx、Tongue Base、Epiglottis）分类对打鼾声进行标签处理，得到259个V、403个O、77个T、13个E、1016个VO、46个VT、140个OT、39个OE、30个VOT以及3150段非打鼾（N）0.5秒片段。对模型进行训练，以完成两个多标签分类任务：识别V、O、T和E各层次的阻塞，以及识别后咽（RP）和后腭（RG）阻塞。结果显示，AST略胜于ResNet-50，表现出良好的识别V（F1分数：0.71，MCC：0.61，AUC：0.89）、O（F1分数：0.80，MCC：0.72，AUC：0.94）以及RP阻塞的能力。然而，两者在T、E和RG分类方面均表现不佳，因数据有限。对全夜录音的回顾性分析显示，潜在可为气道阻塞动态制作轮廓。我们期望，这些信息结合多导睡眠图谱和其他临床参数，可有助于OSA患者的临床分诊和治疗规划。
引用
@article{arxiv.2408.16030,
title = {Deep Learning-Based Automatic Multi-Level Airway Collapse Monitoring on Obstructive Sleep Apnea Patients},
author = {Ying-Chieh Hsu and Stanley Yung-Chuan Liu and Chao-Jung Huang and Chi-Wei Wu and Ren-Kai Cheng and Jane Yung-Jen Hsu and Shang-Ran Huang and Yuan-Ren Cheng and Fu-Shun Hsu},
journal= {arXiv preprint arXiv:2408.16030},
year = {2025}
}