MobileNetV2：用于居家睡眠呼吸暂停筛查的轻量级分类模型
机器学习
2025-01-06 v2 人工智能
信号处理
摘要
本研究提出一种新型轻量级神经网络模型，利用从心电图 (ECG) 和呼吸信号中提取的特征，用于早期睡眠呼吸暂停综合征 (OSA) 筛查。ECG 信号用于生成特征频谱图以预测睡眠阶段，而呼吸信号用于检测与睡眠相关的呼吸异常。通过整合这些预测，该方法计算出改进精度的呼吸暂停指数 (AHI)，以实现精确的 OSA 诊断。该方法在三个公开可用的睡眠呼吸暂停数据库上进行了验证：Apnea-ECG 数据库、UCDDB 数据集和 MIT-BIH 多导联睡眠图谱数据库。结果显示，OSA 检测整体准确率为 0.978，凸显了该模型的稳健性。呼吸事件分类的准确率为 0.969，其受试者工作特征曲线下面积 (ROC-AUC) 为 0.98。对于睡眠阶段分类，在 UCDDB 数据集中，ROC-AUC 在所有阶段均超过 0.85，其中睡眠的召回率为 0.906，REM 和清醒状态的特异度分别为 0.956 和 0.937。该研究凸显了将轻量级神经网络与多信号分析相结合的潜力，以实现准确、便携且成本效益高的 OSA 筛查，为更广泛地应用于居家和可穿戴健康监测系统铺平了道路。
引用
@article{arxiv.2412.19967,
title = {MobileNetV2: A lightweight classification model for home-based sleep apnea screening},
author = {Hui Pan and Yanxuan Yu and Jilun Ye and Xu Zhang},
journal= {arXiv preprint arXiv:2412.19967},
year = {2025}
}