1D-CNN-LSTMおよび1D-CNN-GRUハイブリッドモデルを用いた深層学習ベースの睡眠時無呼吸分類
Nathania Maharani Callista1, Marwah Inas Rabbani1, Nico Surantha1,2
1Computer Science Department, BINUS Graduate Program-Master of Computer Science, Bina Nusantara University, Jakarta, Indonesia, 11480.
Studies in health technology and informatics
|February 23, 2026
まとめ
本研究では、心電図データを用いた睡眠時無呼吸検出のためのハイブリッド深層学習モデルを紹介する。1D-CNN-GRUモデルは、睡眠時無呼吸の正確な分類においてわずかに優れた性能を示した。
科学分野:
- 生物医学工学
- ヘルスケアにおける人工知能
- 心臓病学
背景:
- 睡眠時無呼吸は、心血管疾患などの深刻な健康問題に関連する一般的な睡眠障害です。
- 正確かつ早期の睡眠時無呼吸診断は、効果的な管理とリスク予防のために不可欠です。
研究 の 目的:
- 1D-CNN-LSTMおよび1D-CNN-GRUの2つのハイブリッド深層学習アーキテクチャを提案し、睡眠時無呼吸分類のために評価すること。
- 心電図（ECG）信号、特にRR間隔とR波振幅を利用して睡眠時無呼吸を検出すること。
主な方法:
- 1D-CNN-LSTMおよび1D-CNN-GRUの2つのハイブリッド深層学習モデルを開発しました。
- 1D-CNNを空間特徴抽出に、LSTM/GRUをECGデータからの時間的依存関係の捉えるために使用しました。
- PhysioNet Apnea-ECGデータベースで厳格なパフォーマンス評価のためにk分割交差検証を使用しました。
主要な成果:
- 1D-CNN-LSTMおよび1D-CNN-GRUモデルは、睡眠時無呼吸分類において高い精度を達成しました。
- 1D-CNN-LSTM: 精度96.49%、感度94.68%、特異度98.33%、F1スコア0.96。
- 1D-CNN-GRU: 精度96.88%、感度96.42%、特異度97.35%、F1スコア0.96。全体的なパフォーマンスはわずかに優れていました。
結論:
- 心電図信号を使用した睡眠時無呼吸分類には、特に1D-CNN-GRUのハイブリッド深層学習モデルが非常に効果的です。
- これらのモデルは、自動化されたリアルタイムの睡眠時無呼吸検出システムを開発するための大きな可能性を示しています。
- これらの発見は、睡眠時無呼吸の診断とモニタリングの強化を通じて、臨床転帰の改善を示唆しています。
