探索卷积神经网络在单通道EEG睡眠呼吸暂停检测中的效能
信号处理
2025-09-03 v1 机器学习
摘要
睡眠呼吸暂停是一种流行的睡眠障碍，涉及睡眠期间反复的呼吸中断，导致各种健康并发症，包括认知功能减退、高血压、心脏病、中风乃至死亡。诊断和治疗睡眠呼吸暂停的主要挑战之一是识别高风险个体。当前诊断金标准Polysomnography（PSG）成本高昂、耗时且不便，往往导致睡眠数据质量差。本文提出了一种 novel 方法，用于从单通道EEG数据检测睡眠呼吸暂停。该 CNN 达到了85.1%的准确率和0.22的 Matthews Correlation Coefficient（MCC），显著提升了在自动化睡眠呼吸暂停检测中解决PSG局限性的潜力。本 work 的关键贡献还包括开发全面的预处理管道（采用无限脉冲响应（IIR）巴特沃思滤波器）、提供更广泛时序语境的数据集构建方法，以及应用 SMOTETomek 解决类别不平衡问题。这项研究强调了从传统实验室诊断向更易接近、自动化的居家解决方案过渡的可行性，改善患者预后并拓宽睡眠障碍诊断的可及性。
引用
@article{arxiv.2509.00012,
title = {Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG},
author = {Chun Hin Siu and Hossein Miri},
journal= {arXiv preprint arXiv:2509.00012},
year = {2025}
}
备注
5 pages, 6 figures, 1 table