基于卷积神经网络的睡眠呼吸暂停自动检测方法

作     者：高群霞 商丽娟 吴凯 GAO Qunxia;SHANG Lijuan;WU Kai

作者机构：广州软件学院电子系广州510990 广东东软学院软件工程系广东佛山528225 华南理工大学材料科学与工程学院生物医学工程系广州510006 

基　　金：国家重点研发计划(2020YFC2004300,2020YFC2004301) 广东省基础与应用基础研究基金自然科学基金杰出青年项目(2021B1515020064) 广东省普通高校青年创新人才类项目(2019KQNCX230) 佛山市自筹经费类科技计划项目(1920001000636) 广州大学华软软件学院科学研究项目(ky202014) 

出 版 物：《生物医学工程学杂志》 (Journal of Biomedical Engineering)

年 卷 期：2021年第38卷第4期

页      码：678-685页

摘      要：传统基于机器学习的睡眠呼吸暂停(SA)检测方法,需花大量工作在特征工程与分类器设计上。本文提出了一种基于卷积神经网络(CNN)的SA自动检测方法,构建了一个包含4个卷积层、4个池化层、2个全连接层和1个分类层的一维CNN网络模型,通过网络自身结构实现特征自动提取与分类。利用呼吸暂停-心电图(Apnea-ECG)数据库中70例整晚单通道睡眠心电图(ECG)数据对该方法进行了验证,通过对比实验发现当输入为单通道ECG信号、RR间期(RRI)序列、R峰值序列、RRI序列+R峰值序列四种情况时,网络在SA片段检测上的准确率为80.1%~88.0%,表明该CNN网络是有效的,能从原始单通道ECG信号或其派生信号RRI、R峰值序列中自动提取特征并分类。当网络输入为RRI序列+R峰值序列时效果最好,在片段SA检测上的准确率、灵敏度和特异度分别为88.0%、85.1%和89.9%,个体SA诊断准确率达100%。研究结果表明,本文提出的方法能有效提高SA检测的准确性和鲁棒性,且性能优于近年主要文献报道,有望应用于配备远程服务器的便携式SA筛查诊断设备中。

主 题 词：睡眠呼吸暂停 卷积神经网络 单通道心电信号 RR间期 R峰值 

学科分类：1002[医学-临床医学类] 100213[100213] 10[医学] 

核心收录：

D　O　I：10.7507/1001-5515.202012025

馆 藏 号：203104834...