基于使用深度学习算法的生理信号数据的自动睡眠呼吸暂停检测的系统审查:一个元分析方法
Praveen Kumar Tyagi1, Dheeraj Agarwal1
1Department of ECE, Maulana Azad National Institute of Technology, Bhopal, 462003 India.
Biomedical engineering letters
|July 31, 2023
概括
深度学习显示了使用生理信号自动检测睡眠呼吸暂停的前景. 本综述分析了47项研究,详细介绍了数据来源,DL网络和性能因素,以改善诊断.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 睡眠医学 睡眠医学
背景情况:
- 睡眠呼吸暂停 (SLA) 是一种普遍存在的呼吸系统睡眠障碍.
- 目前的诊断方法,如多睡眠学,是昂贵的和不方便的.
- 使用深度学习 (DL) 的自动检测系统提供了一个潜在的解决方案.
研究的目的:
- 综合审查和分析最近的深度学习应用程序用于使用生理数据检测睡眠呼吸暂停.
- 为了分类和比较DL算法的关键特征,应用于脉冲氧计,心电图,空气流和声信号.
- 为开发基于DL的SLA检测系统的研究人员提供见解.
主要方法:
- 2012年至2022年间发表的47篇文章的系统文献综述.
- 分析重点是对应用到一维生理数据的深度学习算法.
- 基于生理传感器数据方面和DL模型视角的分类.
主要成果:
- 深度学习显示了处理生理数据 (SpO2,心电图,空气流,声音) 进行SLA检测的巨大潜力.
- 影响DL系统性能的关键因素包括数据输入源,DL网络架构,培训框架和数据库.
- 研究根据信号类型,采样频率,窗口大小,学习结构和输入数据类型进行分类.
结论:
- 深度学习为开发自动化,高效和准确的睡眠呼吸暂停检测系统提供了一个有希望的途径.
- 需要进一步的研究来优化DL模型,从1D生理信号中提取有意义的见解.
- 本综述提供了当前DL方法的详细概述,有助于未来睡眠呼吸暂停诊断的进展.
