基于生理引导声学模型的儿科阻塞性睡眠呼吸暂停检测迁移学习
音频与语音处理
2026-01-28 v2
摘要
儿科阻塞性睡眠呼吸暂停（OSA）具有重要的临床意义，但难以诊断，因为儿童对基于传感器的多导睡眠监测耐受性差。声学监测提供了一种用于家庭 OSA 筛查的非侵入性替代方案，但有限的儿科数据阻碍了鲁棒深度学习方法的发展。本文提出了一种迁移学习框架，将基于成人睡眠数据预训练的声学模型适配至儿科 OSA 检测，并结合基于 SpO2 的去饱和模式以增强模型训练。使用一个大型成人睡眠数据集（157 晚）和一个较小的儿科数据集（15 晚），我们系统地评估了 (i) 单任务与多任务学习，(ii) 编码器冻结与全微调，以及 (iii) 延迟 SpO2 标签以更好地与声学信号对齐并捕获具有生理意义的特征的影响。结果表明，结合 SpO2 的微调始终优于无自适应基线模型。这些发现证明了迁移学习用于儿童家庭 OSA 筛查的可行性，并展示了其早期诊断的潜在临床价值。
引用
@article{arxiv.2509.15008,
title = {Transfer Learning for Paediatric Sleep Apnoea Detection Using Physiology-Guided Acoustic Models},
author = {Chaoyue Niu and Veronica Rowe and Guy J. Brown and Heather Elphick and Heather Kenyon and Lowri Thomas and Sam Johnson and Ning Ma},
journal= {arXiv preprint arXiv:2509.15008},
year = {2026}
}
备注
The paper has been accepted in 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)