基于视频的机器学习早产儿呼吸停止检测

早产儿由于呼吸控制不成熟，容易发生与呼吸暂停相关的潜在有害呼吸停止。然而，新生儿重症监护病房（NICU）中可靠的呼吸监测仍然具有挑战性，因为运动伪影、传感器移位和皮肤脆弱性可能会影响基于接触的测量。非接触式视频监测提供了一种不依赖粘性传感器的补充方法，同时提供额外的呼吸信息。我们研究了基于摄像头的信号是否可以检测与呼吸暂停相关的呼吸停止（COBE），并为常规获取的生理信号提供补充信息。使用来自30名早产儿的视频和临床记录，从动态跟踪的躯干区域提取呼吸运动，以生成摄像头衍生的时间序列信号。使用残差网络（ResNet）架构训练仅摄像头模型，而混合模型将视频衍生信号与阻抗呼吸描记（IP）、ECG衍生呼吸（EDR）和PPG衍生呼吸包络相结合。仅摄像头模型实现了76.9%的平衡准确率，证明了非接触式COBE检测的可行性。将视频衍生特征与IP相结合，将平衡准确率提高到90.6%，优于任一单独模态，表明视频提供了超出标准生理信号的呼吸信息。这些发现表明，视频衍生信号包含临床相关的呼吸特征，并且在与传统生理信号结合时增强了COBE检测。这支持非接触式视频作为自动COBE检测的补充模态，并强调了其在提高新生儿呼吸监测鲁棒性方面的潜力。