波形变换和基于深度学习的阻塞性睡眠呼吸暂停检测来自单线心电图信号.
Yuxing Lin1, Hongyi Zhang2, Wanqing Wu3
1School of Opto-Electronic and Communication Engineering, Xiamen University of Technology, Xiamen, 361024, China.
Physical and engineering sciences in medicine
|November 20, 2023
概括
这项研究引入了一个自动化的睡眠呼吸暂停分类模型,CA-EfficientNet,使用波形变换和注意力机制. 它提高了诊断准确性和睡眠呼吸暂停检测效率.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 睡眠呼吸暂停诊断在很大程度上依赖于医生的专业知识和广泛的数据分析,这是耗时和劳动密集的.
- 现有的方法面临着复杂的特征提取,数据不平衡和有限的模型容量等挑战.
研究的目的:
- 开发一种自动化睡眠呼吸暂停分类模型 (CA-EfficientNet),克服传统诊断方法的局限性.
- 通过先进的信号处理和机器学习技术,提高睡眠呼吸暂停检测的准确性和效率.
主要方法:
- 利用波形变换将睡眠信号转换为时间频率图像,用于输入CA-EfficientNet模型.
- 整合了一个轻量级的神经网络,配备了一个协调的注意力机制,以改善分类.
- 研究了输入时间窗口,波形变换类型和数据平衡的影响,采用成本敏感算法和Dice Loss.
主要成果:
- 获得了93.44%的分类准确度,灵敏度为88.9%,特异性为96.2%.
- 与现有的相关工作相比,CA-EfficientNet模型在大多数指标上表现出卓越的表现.
- 优化的参数包括3分钟频率B-Spline波段转换的心电图信号.
结论:
- 拟议的CA-EfficientNet模型为睡眠呼吸暂停分类提供了有效和高效的自动化解决方案.
- 这种方法解决了睡眠呼吸暂停诊断的关键挑战,为改善患者护理铺平了道路.
- 该研究强调了将波段变换和注意力机制集成到深度学习中用于医疗信号分析的潜力.


