使用深度学习预测睡眠呼吸暂停

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 人工智能的人工智能

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 是一种普遍存在的睡眠障碍,其特点是呼吸停止.
• 目前的检测方法重点在于在事件发生时识别事件,限制主动干预.
• 提前预测OSA事件对于开发响应性呼吸调节装置至关重要.

研究的目的:

• 开发和评估先进的神经网络模型,用于预测阻塞性睡眠呼吸暂停 (OSA) 事件.
• 为了评估使用原始呼吸信号的有效性,没有工程特征用于OSA预测.
• 为了确定实时预测OSA事件的可行性,预先预测潜在的治疗设备.

主要方法:

• 他们提出了四种深度学习模型:1D-CNN,ConvLSTM,1D-CNN-LSTM和2D-CNN-LSTM.
• 模型使用原始鼻流,腹部和胸部呼吸信号,采用32Hz的样本.
• 预测OSA事件 (呼吸暂停/呼吸暂停) 和正常呼吸是提前30秒使用90秒的先前数据进行的.

主要成果:

• 这四种模型都在一个大数据集 (1507个受试者,>46,000个示例) 上显示出有希望的准确性,超过81%.
• 1D-CNN-LSTM和2D-CNN-LSTM模型实现了最高的性能,精度,灵敏度和特异性分别超过83%,81%和85%.
• 1D-CNN-LSTM模型保持了高性能 (82.94%的准确性),即使信号的采样率降低到1Hz,也表明了稳定性.

结论:

• 使用深度学习模型和原始呼吸信号,可以准确预测OSA事件.
• 提出的模型,特别是1D-CNN-LSTM和2D-CNN-LSTM,为开发先发制人的OSA管理设备提供了可行的方法.
• 对低采样频率的稳定性使得这些算法适用于低资源的家庭监控设备.