相关实验视频
Updated: Jun 23, 2025
09:54
A Model to Simulate Clinically Relevant Hypoxia in Humans
Published on: December 22, 2016
8.8K
对基于深度学习的心电图分析进行全面的研究,以估计呼吸暂停-呼吸暂停指数
Seola Kim1, Hyun-Soo Choi1,2, Dohyun Kim1,3
1Ziovision Inc., Chuncheon 24341, Republic of Korea.
Diagnostics (Basel, Switzerland)
|June 19, 2024
概括
这项研究介绍了一种使用心电图 (ECG) 来估计睡眠呼吸暂停诊断的呼吸暂停指数 (AHI) 的深度学习系统. 这种新的方法通过心电图信号准确地检测睡眠呼吸事件,帮助医疗专业人员.
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:
- 睡眠呼吸暂停的诊断依赖于多睡眠学,这是资源密集的.
- 心电图 (ECG) 信号包含与睡眠相关的呼吸事件相关的生理信息.
- 准确估计呼吸暂停-呼吸暂停指数 (AHI) 对于评估睡眠暂停的严重程度至关重要.
研究的目的:
- 开发和验证一个深度学习系统,用于使用单线心电图信号自动检测睡眠呼吸暂停和AHI估计.
- 强调AHI估计作为睡眠呼吸暂停诊断和严重程度评估的关键指标.
- 为睡眠呼吸暂停查提供一种非侵入性,易于使用的工具.
主要方法:
- 开发了一种深度学习模型,即用于睡眠呼吸暂停检测网络 (DSF-SANet) 的深浅融合网络与封闭的反复单元 (GRU) 结合起来.
- 该模型在1465个心电图记录上进行了训练,每隔1分钟分析信号.
- 该系统旨在检测睡眠呼吸障碍并估计AHI.
主要成果:
- 该系统与实际的AHI值实现了0.87的相关系数.
- 每个细分类别的分类显示精度为0.82,F1得分为0.71,AUC为0.88.
- 该模型有效地识别了睡眠呼吸事件,并提供了可靠的AHI估计.
结论:
- 拟议的深度学习系统显示了使用心电图自动检测睡眠呼吸暂停和AHI估计的巨大潜力.
- 这种方法为睡眠呼吸暂停诊断和严重程度评估提供了一种有希望的非侵入性方法.
- 该系统可以成为临床实践中医疗专业人员的宝贵工具.
