一个强大的深度学习系统用于屏蔽性睡眠呼吸暂停的查,使用T-F频谱的心电图信号

科学领域:

• 心脏病学和医学诊断 医学诊断
• 医疗保健中的人工智能
• 信号处理 信号处理

背景情况:

• 阻塞性睡眠呼吸暂停 (obstructive sleep apnea,OSA) 是一种常见的疾病,在睡眠期间引起呼吸障碍,与心血管和神经认知问题有关.
• 电心电图 (ECG) 提供了一种非侵入性,具有成本效益的方法来检测健康障碍,包括潜在的OSA查.
• 传统的机器学习用于OSA检测涉及复杂的手动功能工程,限制了效率和可扩展性.

研究的目的:

• 开发和评估深度卷积神经网络 (DCNN) 模型,用于使用心电图数据进行自动阻塞性睡眠呼吸暂停 (OSA) 查.
• 为了研究时间频率 (T-F) 频谱分析对无噪声的心电图信号的有效性,用于OSA分类.
• 为了比较拟议中的轻量级DCNN与已建立的模型,如Alex-Net和Squeeze-Net.Net的性能.

主要方法:

• 原始的心电图信号使用过-融合算法来处理,以删除文物.
• 用Stock-well转换 (S-T) 将过的心电图数据转换为时间频谱 (T-F).
• 深度卷积神经网络 (DCNN),包括Alex-Net,Squeeze-Net和拟议的轻量级DCNN,用于T-F频谱分类.

主要成果:

• 拟议的轻量级DCNN在区分正常和OSAECG信号方面实现了95.31%的平均准确性.
• 与Alex-Net和Squeeze-Net.net相比,开发的系统表现出优异的性能,可学习的参数较少.
• 性能指标包括灵敏度,特异性,准确度,精度,F1分数和Fowlkes-Mallows指数,证实了系统的有效性.

结论:

• 拟议的基于DCNN的TF频谱分类方法为自动化OSA查提供了一种轻量级,准确和可靠的方法.
• 这种深度学习系统提高了诊断效率,并减少了临床医生在识别阻塞性睡眠呼吸暂停时的工作量.
• 该方法提供了一个有希望的,非侵入性的工具,用于早期检测和管理OSA使用易于获得的ECG数据.