根据单线心电图信号的深度学习来检测和评估阻塞性睡眠呼吸暂停的严重程度
Yitong Zhang1, Yewen Shi1, Yonglong Su1
1Department of Otorhinolaryngology Head and Neck Surgery, The Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, China.
Journal of sleep research
|July 18, 2024
概括
一个新的深度学习模型使用单线心电图 (ECG) 信号准确检测阻塞性睡眠呼吸暂停 (OSA) 和其严重程度. 这为OSA患者提供了可靠和方便的诊断工具.
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
- 心脏病学 心脏病学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 诊断和严重程度评估对于有效治疗至关重要.
- 目前的诊断方法可能不方便或无法使用.
- 开发可靠,非侵入性和可访问的检测方法是一个重要的临床需求.
研究的目的:
- 建立一个深度学习模型,使用单导电心电图 (ECG) 信号检测阻塞性睡眠呼吸暂停 (OSA).
- 评估模型在评估OSA严重性的能力.
- 在医院和公共数据集上验证模型的性能.
主要方法:
- 开发了一个深度学习模型,包括信号预处理,特征提取和时间频域信息融合.
- 该模型经过训练,验证和测试,使用单线心电图信号从375名患者接受了多睡眠学.
- 使用准确度指标评估性能,并与以前在公共数据集上的研究进行比较.
主要成果:
- 该模型在OSA检测方面取得了高精度,在测试组上每段检测精度为82.55%,每次记录精度为85.33%.
- 检测轻度,中度和重度OSA的准确率分别为69.33%,74.67%和85.33%.
- 该模型在公开数据集上显示了91.66%的每段精度,具有一致的呼吸暂停-呼吸暂停指数预测.
结论:
- 单线心电图信号与深度学习模型相结合,为OSA检测和严重程度评估提供了可行和有效的方法.
- 该模型具有很高的检测性能,特别是在严重的OSA病例中.
- 这种方法为OSA诊断提供了一个有希望,方便和医学上可靠的工具.
