阻塞性睡眠呼吸暂停中偶发性高血压的智能预测

阻塞性睡眠呼吸暂停（OSA）是高血压的重要风险因素，主要源于间歇性低氧和睡眠片段化。预测OSA患者是否会在五年内发展为高血压仍是一项复杂的挑战。本研究引入一种新颖的深度学习方法，该方法融合了基于离散余弦变换（DCT）的迁移学习，以提高预测准确性。我们首次将所有多导睡眠图信号整合用于高血压预测，利用其集体信息来提升模型性能。从这些信号中提取特征并转换为二维表示，以利用预训练的二维神经网络，如MobileNet、EfficientNet和ResNet变体。为进一步改进特征学习，我们引入了一个DCT层，将输入特征转换为基于频率的表示，保留关键的频谱信息，解相关特征，并增强对噪声的鲁棒性。这种频域方法结合迁移学习，对于有限的医学数据集尤其有益，因为它利用预训练网络的丰富表示来提高泛化能力。通过将DCT层策略性地放置在EfficientNet内更深的截断深度，我们的模型实现了72.88%的最佳曲线下面积（AUC），证明了频域特征提取和迁移学习在预测OSA患者五年内高血压风险方面的有效性。