基于深度学习方法利用单通道ECG检测阻塞性睡眠呼吸暂停严重程度
信号处理
2020-07-28 v1
摘要
阻塞性睡眠呼吸暂停（OSA）是一种由异常呼吸引起的常见睡眠障碍。OSA的严重程度可导致许多症状，例如心源性猝死（SCD）。多导睡眠图（PSG）是OSA诊断的金标准。它从患者身体记录许多信号至少一整晚，并计算呼吸暂停低通气指数（AHI），即每小时呼吸暂停或低通气事件的次数。该值随后用于将患者分类为OSA严重程度等级。然而，它有许多缺点和局限。因此，我们提出了一种使用深度学习方法进行OSA严重程度分类的新方法。我们专注于正常受试者（AHI 5）与重度OSA患者（AHI 30）之间的分类。带有呼吸暂停或低通气事件的15秒原始ECG记录被用于一系列深度学习模型。我们提出的方法的主要优点包括更易获取数据、即时OSA严重程度检测，以及无需专业领域知识的有效特征提取。为评估所提方法，使用了来自MrOS睡眠研究（Visit 1）数据库的545名受试者（其中364名为正常、181名为重度OSA患者），并采用k折交叉验证技术。OSA严重程度分类的准确率达到79.45%，并取得了灵敏度、特异度和F值。这显著高于使用RR间期和ECG派生呼吸（EDR）信号特征提取的SVM分类器的结果。这一有前景的结果表明，该提出的方法是从单通道ECG检测OSA严重程度的良好开端，该ECG可从家用可穿戴设备获取，也可应用于近实时警报系统，例如在SCD发生前。
引用
@article{arxiv.1808.10844,
title = {Single Channel ECG for Obstructive Sleep Apnea Severity Detection using a Deep Learning Approach},
author = {Nannapas Banluesombatkul and Thanawin Rakthanmanon and Theerawit Wilaiprasitporn},
journal= {arXiv preprint arXiv:1808.10844},
year = {2020}
}