采用加权平均夜间气流特征深度神经网络的气道呼吸暂停-低通气严重程度分类
信号处理
2020-07-28 v1 医学物理
摘要
深度学习方法（DL）的迅猛发展及其在生物医学应用中的能力促使我们探索使用DL进行睡眠呼吸暂停-低通气严重程度分类的优势。为降低使用多导睡眠图（PSG）这一多传感平台进行临床诊断的复杂性，我们将提出的DL方案融入单一气流（AF）传感信号（PSG的子集）。从AF中提取了17个特征，然后输入深度神经网络，在两个研究中进行分类。首先，我们提出了使用AHI = 5、15和30次/小时为截断指标的二分类。其次，提出了多重睡眠呼吸暂停-低通气综合征（SAHS）严重程度分类，将患者分为4组：无SAHS、轻度SAHS、中度SAHS和重度SAHS。为评估方法，我们使用了比相关工作更多的患者以容纳更多多样性，包括来自MrOS睡眠研究（Visit 2）数据库的520条AF记录。然后我们应用10折交叉验证技术得到准确率、灵敏度和特异度。此外，我们将主分类器的结果与之前研究使用的另外两种方法比较，包括支持向量机（SVM）和Adaboost分类回归树（AB-CART）。在二分类中，我们提出的方法性能显著优于其他两种方法，各截断下准确率分别为83.46%、85.39%和92.69%。在多分类中，它也以63.70%的准确率返回所有方法中的最高值。
引用
@article{arxiv.1808.10845,
title = {Deep Neural Networks with Weighted Averaged Overnight Airflow Features for Sleep Apnea-Hypopnea Severity Classification},
author = {Payongkit Lakhan and Apiwat Ditthapron and Nannapas Banluesombatkul and Theerawit Wilaiprasitporn},
journal= {arXiv preprint arXiv:1808.10845},
year = {2020}
}