一个双级卷积神经网络用于检测睡眠呼吸暂停与时间延迟SpO信号

科学领域:

• 生物医学工程 生物医学工程
• 心血管呼吸系统生理学
• 人工智能在医学中的应用

背景情况:

• 睡眠呼吸暂停 (SA) 是一种普遍存在的呼吸系统疾病,与中风和心脏病等严重健康风险有关.
• 当前的自动SA检测方法通常依赖于有限的数据集,并且无法考虑呼吸暂停前的SPO2变化.
• SpO2信号是SA的关键指标,但其诊断实用性受到SA事件相对时间延迟变化的阻碍.

研究的目的:

• 开发一个先进的自动睡眠呼吸暂停检测系统,利用单导 SpO2 信号.
• 为了应对时间延迟的SpO2信号变化在睡眠呼吸暂停事件之前的挑战.
• 验证拟议方法在不同患者群体和临床环境中的通用性.

主要方法:

• 拟议的DSCNN (双级卷积神经网络) 用于从单导 SpO2信号中检测SA.
• 实现了双级网络架构,以整合来自目标SpO2部分及其周围部分的信息,减轻时间延迟问题.
• 在三个多中心数据集上验证了DSCNN模型,包括来自孙中山大学第一附属医院的450名受试者的大量队列.

主要成果:

• 与现有的最先进的方法相比,DSCNN模型在睡眠呼吸暂停检测方面表现优越.
• 该方法有效地利用了扩展的SpO2细分信息,包括后续和周围的细分,以提高检测精度.
• 跨多个数据集的交叉验证证实了拟议的DSCNN检测器的强大和可泛化的性能.

结论:

• DSCNN模型提供了一种有希望且准确的方法,用于仅使用SpO2信号自动检测睡眠呼吸暂停.
• 通过结合时间上下文和解决信号延迟,DSCNN提高了非侵入性SA诊断的可靠性.
• 这项研究为通过先进的信号处理和机器学习更有效,更大规模的睡眠呼吸暂停查和管理铺平了道路.