基于一维卷积神经网络从分段时间序列ECG信号提取特征检测阻塞性睡眠呼吸暂停
信号处理
2020-02-06 v1 机器学习
机器学习
摘要
本文的研究提出了一种一维卷积神经网络（1DCNN）模型，用于从单通道心电图（ECG）信号中自动检测捕获的阻塞性睡眠呼吸暂停（OSA）。该系统为临床实践提供了有助于诊断OSA患者的机制。利用最先进的1DCNN，构建了一个由卷积层、最大池化层以及一个由隐藏层和SoftMax输出组成的全连接多层感知机（MLP）用于分类的模型。1DCNN提取显著特征，用于训练MLP。模型使用按设定窗口大小分组的分段ECG信号训练，分为5个独特数据集。从包含70个夜间ECG记录的标注数据库中选取了35个ECG信号记录（A组=a01至a20（呼吸暂停呼吸），B组=b01至b05（中度），C组=c01至c10（正常））。共记录6514分钟呼吸暂停。使用一组标准指标评估模型，表明所提模型在我们的窗口策略下，特别是W=500时，在训练和验证中均取得高分类结果（灵敏度0.9705，特异度0.9725，F1分数0.9717，Kappa分数0.9430，对数损失0.0836，ROCAUC 0.9945）。这表明该模型能以高准确度识别呼吸暂停的存在。
引用
@article{arxiv.2002.00833,
title = {Detection of Obstructive Sleep Apnoea Using Features Extracted from Segmented Time-Series ECG Signals Using a One Dimensional Convolutional Neural Network},
author = {Steven Thompson and Paul Fergus and Carl Chalmers and Denis Reilly},
journal= {arXiv preprint arXiv:2002.00833},
year = {2020}
}
备注
8 pages, 6 figures, 10 tables