使用基于心电图和胸部运动信号的深度学习算法,自动预测阻塞性睡眠呼吸暂停事件
Zufei Li1,2, Yajie Jia1,2, Yanru Li1,2
1Department of Otolaryngology Head and Neck Surgery, Beijing Tongren Hospital, Capital Medical University, Beijing, People's Republic of China.
Acta oto-laryngologica
|January 19, 2024
概括
这项研究开发了一种可靠的深度学习模型,用于检测阻塞性睡眠呼吸暂停 (OSA) 事件,使用结合心电图 (ECG) 和胸部信号. 综合方法显著提高了检测准确度,使其适合用于OSA查.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 睡眠医学 睡眠医学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种普遍的睡眠障碍,与许多健康并发症有关.
- 准确和可访问的OSA检测方法对于及时干预和管理至关重要.
研究的目的:
- 开发和验证用于阻塞性睡眠呼吸暂停 (OSA) 事件检测的自动化深度学习模型.
- 调查结合心电图 (ECG) 和胸部运动信号的有效性,以提高OSA检测.
主要方法:
- 利用了来自420个病例的回顾性多睡眠学 (PSG) 数据.
- 采用ResNeSt34深度学习算法来构建单独使用心电图和结合心电图与胸部运动信号的模型.
- 使用准确性,精度,回忆,F1得分,ROC和AUC指标评估模型性能.
主要成果:
- 与仅ECG模型相比,集成ECG和胸部运动信号的模型实现了更高的性能.
- 组合信号模型的结果是准确度 (89.0%),精度 (88.8%),回忆 (89.0%),F1得分 (88.2%) 和AUC (92.9%).
- 仅使用心电图的模型实现了准确度 (84.1%),精度 (83.1%),回忆 (84.1%),F1得分 (83.3%) 和AUC (82.8%).
结论:
- 一个自动化的OSA事件检测模型利用结合的心电图和胸部运动信号与ResNeSt34算法证明了高可靠性.
- 这种模型是有效和高效地选阻塞性睡眠呼吸暂停的一个有希望的工具.
