基于TPE算法优化的LightGBM混合模型在睡眠呼吸暂停检测中的应用

科学领域:

• 心脏病学 心脏病学
• 睡眠医学 睡眠医学
• 人工智能的人工智能

背景情况:

• 睡眠呼吸暂停综合征 (SAS) 是一个重要的健康问题,需要及早检测,以改善患者的治疗结果并降低医疗保健成本.
• 现在的黄金标准 - - 聚睡眠学 (PSG) 是昂贵的,耗时的,具有破坏性的.
• 电心电图 (ECG) 分析为诊断睡眠呼吸暂停提供了一个有希望的,更简单,更少侵入性的替代方案.

研究的目的:

• 开发和验证一种高效的LightGBM混合模型,用于使用心电图信号检测睡眠呼吸暂停.
• 用改进的算法解决数据挑战,如异常数据和样本不平衡.
• 优化模型参数以提高诊断准确度.

主要方法:

• 改进的隔离森林算法用于数据预处理,包括异常值的删除和解决类不平衡.
• 树结构的Parzen估计器 (TPE) 算法被用来优化LightGBM模型的参数.
• 一个融合模型,TPE_OptGBM,被开发和评估在一个公共的睡眠呼吸暂停心电图数据库.

主要成果:

• 该TPE_OptGBM模型显示了高诊断性能,准确度为95.08%.
• 该模型实现了94.80%的精度,97.51%的召回率和96.14%的F1得分.
• 这些结果超过了当前主流诊断模型的结果.

结论:

• 拟议的TPE_OptGBM模型提供了一种非常准确和高效的方法,通过ECG分析来检测睡眠呼吸暂停.
• 这种人工智能驱动的方法有可能成为临床医生的宝贵诊断辅助工具.
• 实施该模型可以改善患者体验,并可能减少与睡眠呼吸暂停诊断相关的医疗负担.