MPCNN:基于CNN的单一睡眠呼吸暂停的新型矩阵形状方法在分类问题中
概括
这项研究引入了一种使用深度学习检测睡眠呼吸暂停 (SA) 的新型心电图特征提取方法. 这种新方法显著提高了诊断准确性,显示了家庭睡眠呼吸暂停测试和物联网设备的前景.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 睡眠呼吸暂停 (SA) 是一个关键的全球健康问题.
- 深度学习 (DL) 显示出基于心电图 (ECG) 的SA诊断的前景.
- 传统的心电图特征 (R峰,RR间隔) 可能会错过重要的信号信息.
研究的目的:
- 开发一种创新的ECG特征提取方法,以改进SA检测.
- 为了解决SA诊断的DL模型中传统特征提取的局限性.
- 为了提高SA检测的轻量级DL模型的性能.
主要方法:
- 灵感来自于Matrix Profile算法,从心电图信号次序中衍生出MinDP,MaxDP和MeanDP.
- 使用修改后的LeNet-5,BAFNet和SE-MSCNN深度学习模型.
- 验证了PhysioNet Apnea-ECG和UCDDB数据集的方法.
主要成果:
- 在数据集上实现了高达92.11%和81.25%的分段精度.
- 在PhysioNet数据上达到100%的每次记录准确度.
- 使用最先进的方法获得了0.989的高相关性.
结论:
- 这种基于距离的新型特征提取方法提高了DL模型在SA检测中的性能.
- 该方法显示了在家庭睡眠呼吸暂停测试 (HSAT) 和物联网设备中应用的潜力.
- 公共可用的源代码有助于进一步的研究和开发.


