从基于尖端神经网络模型的单线心电图信号自动检测睡眠呼吸暂停
Praveen Kumar Tyagi1, Dheeraj Agrawal1
1Dept. of ECE, Maulana Azad National Institute of Technology, Bhopal, MP, India.
Computers in biology and medicine
|July 19, 2024
概括
这项研究引入了一种新的尖端神经网络 (SNN) 方法,使用心电图 (ECG) 数据进行准确的睡眠呼吸暂停 (SLA) 诊断. 该方法实现了高精度,为传统诊断方法提供了具有成本效益的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 睡眠呼吸暂停 (SLA) 是一种常见的睡眠障碍,需要有效的诊断方法.
- 传统的SLA诊断是复杂的,昂贵的和繁的.
- 对于SLA,需要更简单,更具成本效益的诊断工具.
研究的目的:
- 开发和验证一种新的尖端神经网络 (SNN) 模型,用于诊断睡眠呼吸暂停 (SLA).
- 使用单导电心电图 (ECG) 数据通过时间编码来检测SLA.
- 评估时速机学习模型在识别SLA模式中的有效性.
主要方法:
- 一种生物学上可信的学习方法,使用SNN与时间编码和时速器学习模型.
- 使用漏洞整合和火灾模型,ECG信号被转化为尖峰.
- 从1分钟的心电图段中提取了心率变化 (HRV) 和来自心电图的呼吸 (EDR) 信号.
- 该SNN模型经过训练,并使用Apnea-ECG数据库中的数据进行验证.
主要成果:
- 拟议的方法在每段SLA检测中实现了94.63%的准确性.
- 报告了高性能指标:96.21%的特异性,92.04%的灵敏度,0.9285的F1得分和0.9851的AUC.
- 每次记录检测准确度达到100%,相关系数为0.986.
- 使用UCD数据的验证结果的准确率为84.573%.
结论:
- 开发的SNN方法是有效的,可用于准确的睡眠呼吸暂停诊断.
- 该模型的性能优于传统的特征工程和特征学习技术,用于SLA检测.
- 这些发现支持SNN在开发先进的非侵入性诊断工具方面的潜力.
更多相关视频
11:28Recording Network Activity in Spinal Nociceptive Circuits Using Microelectrode Arrays
Published on: February 9, 2022
2.8K
04:54Author Spotlight: IntelliSleepScorer — A High-Accuracy, Accessible GUI Software for Automated Sleep Stage Scoring in Mice and its Application in Psychiatric Research
Published on: November 8, 2024
495
