SleepLiteCNN：基于单导联 ECG 的能耗高效睡眠呼吸暂停亚型分类
信号处理
2025-08-06 v1 人工智能
摘要
呼吸暂停是一种常见的睡眠障碍，特征为持续至少十秒的呼吸中断，每小时发生不止五次。准确、高时间分辨率地检测睡眠呼吸暂停亚型——阻塞性、中性与混合性——对于有效的治疗与管理至关重要。本文提出一种能耗高效的方法，用于基于单导联电生理信号 (ECG) 的高时间分辨率亚型分类，以解决可穿戴设备的实时需求。我们评估了广泛的经典机器学习算法与深度学习架构在 1 秒 ECG 窗口上的准确率、复杂度与能耗，进行比较分析。基于此分析，我们引入 SleepLiteCNN，一个为可穿戴平台专门设计的紧凑且能耗高效的卷积神经网络。SleepLiteCNN 在准确率超过 95%，宏平均 F1 分数达 92% 的同时，仅需 1.8 微焦/推理即可完成 8 位量化后的推理。FPGA 综合进一步显示硬件资源使用显著降低，证明其适用于能耗受限环境下的连续实时监测。这些结果表明 SleepLiteCNN 是一种实用且有效的可穿戴设备睡眠呼吸暂停亚型检测解决方案。
引用
@article{arxiv.2508.02718,
title = {SleepLiteCNN: Energy-Efficient Sleep Apnea Subtype Classification with 1-Second Resolution Using Single-Lead ECG},
author = {Zahra Mohammadi and Siamak Mohammadi},
journal= {arXiv preprint arXiv:2508.02718},
year = {2025}
}