在CPAP定位夜间使用心电图谱检测先前的睡眠呼吸暂停:一种新的机器学习和功能袋框架

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 睡眠医学 睡眠医学

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 显著影响患者健康和医疗保健系统.
• 持续正气道压力 (CPAP) 是一种有效的OSA治疗方法,但患者的坚持通常很差.
• 预测睡眠呼吸暂停事件的检测可以提高CPAP治疗效率和长期使用.

研究的目的:

• 开发和评估用于早期检测睡眠呼吸暂停事件的机器学习模型.
• 使用回顾性心电图 (ECG) 数据和CPAP定位数据进行预测建模.
• 为了提前30-90秒预测睡眠呼吸暂停事件.

主要方法:

• 雇员支持矢量机 (SVM),k-最近邻居 (KNN),决策树 (DT) 和线性歧视分析 (LDA).
• 利用时间频率转换 (连续波形变换) 和用于信号处理的功能袋.
• 提取了特定的频段 (0.5-50 Hz,0.8-10 Hz,8-50 Hz) 并分析了事件前的段落 (长达90秒).

主要成果:

• 与KNN,LDA和DT相比,支持矢量机 (SVM) 显示出更高的性能.
• 8-50赫兹频段实现了最高的精度 (98.2%) 和F1得分 (0.93).
• 在睡眠呼吸暂停事件发生前60秒的段落中,预测准确度是最佳的.

结论:

• 机器学习算法可以有效地预测睡眠呼吸暂停事件,使用CPAP定位期间的单导电图信号.
• 这种方法为主动的OSA管理提供了一种新的非侵入性方法.
• 这些发现支持通过预测性事件检测改善家庭CPAP治疗的可行性.