基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法

作     者：覃恒基 刘官正 Qin Hengji;Liu Guanzheng

作者机构：中山大学生物医学工程学院广州510006 广东省传感技术与生物医疗仪器重点实验室广州510006 广东省便携式普及型先进实用医疗器械工程技术研究中心广州510006 

基　　金：深圳市科技计划基础研究项目(JCYJ20180307153213863,JCYJ20190807162003696) 广东省科技计划项目(2017A010101035) 

出 版 物：《中国生物医学工程学报》 (Chinese Journal of Biomedical Engineering)

年 卷 期：2020年第39卷第4期

页      码：422-431页

摘      要：阻塞性睡眠呼吸暂停容易引发心血管并发症。作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量。鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中。然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识。基于深度学习的方法能够减少特征提取过程中的人为因素。提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法。首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习。然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势。基于PhysioNet的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7%、88.9%和82.1%,个体识别准确率达到100%。基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化。此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性。

主 题 词：阻塞性睡眠呼吸暂停 心电信号 自编码器 隐马尔科夫模型 决策融合 

学科分类：0831[工学-公安技术类] 1004[医学-公共卫生预防医学类] 08[工学] 0836[0836] 0702[理学-物理学类] 

核心收录：

D　O　I：10.3969/j.issn.0258-8021.2020.04.005

馆 藏 号：203968492...