相关实验视频
Updated: Jul 21, 2025
07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.7K
基于打信号的非接触式睡眠呼吸暂停检测试点研究,硬件实现
1Shenzhen Key Laboratory of IoT Key Technology, Harbin Institute of Technology, Shenzhen 518055, People's Republic of China.
Physiological measurement
|July 28, 2023
概括
这项研究提出了一个新的睡眠呼吸暂停分类模型,使用打声音和家庭医疗保健的混合神经网络. 该模型能够有效地检测睡眠呼吸暂停的类型,为早期诊断提供了切实可行的解决方案.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 睡眠医学 睡眠医学
背景情况:
- 睡眠呼吸暂停是一种普遍且危险的疾病,需要及早检测.
- 传统的多睡眠学 (PSG) 是准确的,但不适合家庭使用.
- 需要在家进行可访问的睡眠呼吸暂停查.
研究的目的:
- 为家庭医疗保健开发和实施使用打声音的睡眠呼吸暂停分类模型.
- 为实时分析创建可在嵌入式硬件上部署的模型.
- 为了促进在临床环境之外早期发现和诊断睡眠呼吸暂停.
主要方法:
- 开发了一种混合神经网络模型 (带注意的Bi-LSTM),利用来自打信号的Mel-Fbank特征.
- 在32名患者的打数据上训练并验证了模型.
- 通过修剪和量子化为嵌入式部署优化模型.
- 在STM32 ARM嵌入式平台上实现模型.
主要成果:
- 该模型在分类睡眠呼吸暂停类型方面实现了83.52% (取决于受试者) 和62.31% (取决于受试者) 的准确性.
- 模型优化使参数减少了32.12%,存储减少了60.37%,精度损失最小.
- 在嵌入式平台上,该模型使用离开一个主体的验证实现了58.85%的准确性.
结论:
- 开发的基于打的睡眠呼吸暂停检测模型显示了家庭医疗保健应用的前景.
- 该模型在嵌入式系统上的效率和部署性支持其用于初始睡眠呼吸暂停查.
- 这种方法为PSG提供了一个方便的替代方案,用于初步的睡眠呼吸暂停评估.
