从单导电心电图信号检测睡眠呼吸暂停,使用有效的深浅融合网络
Pan Li1, Wenjun Ma1,2, Huijun Yue3
1School of Computer Science, South China Normal University, Guangzhou, People's Republic of China.
Physiological measurement
|January 18, 2024
概括
一个新的深浅聚变网络 (EDSFnet) 准确地检测睡眠呼吸暂停 (SA) 使用单导电心电图 (ECG). 这种高效的方法利用扩展的心电图段进行改进的诊断,提供了一个具有成本效益的解决方案.
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
- 心脏病学 心脏病学
背景情况:
- 睡眠呼吸暂停 (SA) 是一种影响心血管健康的普遍疾病.
- 准确的SA检测通常需要多睡眠学,这是昂贵和耗时的.
- 单导电心电图 (ECG) 为SA查提供了一个潜在的低成本替代方案.
研究的目的:
- 开发和评估一个高效的深浅聚变网络 (EDSFnet) 用于基于单线心电图的睡眠呼吸暂停检测.
- 从扩展的ECG段中利用高层次的语义特征和低层次的详细特征.
- 为了减少ECG信号中的噪声影响,同时提高诊断准确性.
主要方法:
- 提出EDSFnet架构,集成高层特征的深层残余网络和低层特征的浅层卷积神经网络.
- 利用有效通道注意力来融合来自不同网络深度的特征,从而实现可适应的重量分配.
- 在公开可用的 Apnea-ECG 数据集和临床 FAH-ECG 数据集上评估 EDSFnet.
主要成果:
- 在喘-心电图数据集上,EDSFnet实现了92.6%的准确性 (每个细分) 和100%的准确性 (每个记录).
- 在FAH-ECG数据集上,EDSFnet显示了89.0%的准确性 (每个细分) 和93.2%的准确性 (每个记录).
- 在主体依赖和主体独立的实验环境中,EDSFnet实现了最先进的性能.
结论:
- 通过使用单线心电图,EDSFnet在睡眠呼吸暂停检测方面表现出强度和适应性.
- 拟议的网络架构为具有成本效益和高效的SA选提供了一个有希望的方法.
- 这种方法有可能通过可访问的SA诊断来减少患者和医疗保健系统的负担.
更多相关视频
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
3.8K
04:54Author Spotlight: IntelliSleepScorer — A High-Accuracy, Accessible GUI Software for Automated Sleep Stage Scoring in Mice and its Application in Psychiatric Research
Published on: November 8, 2024
534
