基于可穿戴式光电显微镜手的睡眠呼吸暂停检测多层次双向时间卷积网络

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:

• 睡眠呼吸暂停综合征 (SAS) 是一种与心肺疾病相关的流行慢性疾病.
• 早期和可访问的SAS诊断对于及时干预至关重要.
• 可穿戴设备为不引人注目的,持续的健康监测提供了一个有希望的途径.

研究的目的:

• 开发和验证一种先进的人工智能驱动的方法,以不显眼地检测睡眠呼吸暂停综合征 (SAS).
• 为了利用可穿戴设备的光电显微镜 (PPG) 数据进行SAS识别.
• 为了提高模型的稳定性,并解决数据挑战,如过拟合和类不平衡.

主要方法:

• 实现一维多尺度双向时卷积神经网络 (1D-MsBiTCNet) 用于特征提取和时间分析.
• 应用规范性放弃 (RD) 来缓解训练期间模型过拟合.
• 使用logit调整 (LA) 来解决数据集中的类不平衡.

主要成果:

• 1D-MsBiTCNet模型在92个受试者的PPG数据集上实现了高性能指标.
• 每个细分检测的结果是准确度 (82.76%),灵敏度 (71.58%),和特异性 (86.74%).
• 每次记录的严重SAS检测达到准确度 (97.83%),灵敏度 (88.89%) 和特异性 (100.00%),AHI预测的平均绝对误差为5.44.

结论:

• 拟议的1D-MsBiTCNet方法在使用可穿戴PPG数据进行SAS检测方面表现出色.
• 研发和实践技术有效地改善了模型培训,并解决了数据集的局限性.
• 这种方法为大规模的自动SAS检测系统提供了有价值的方法参考.