深度注意网络与多时空信息融合用于睡眠呼吸暂停检测

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:

• 睡眠呼吸暂停 (SA) 是一种常见的睡眠障碍,具有严重的健康影响.
• 目前的诊断依赖于多睡眠学 (PSG) 和手动评分,这是耗时的.
• 传统的机器学习用于SA检测需要手动功能工程.

研究的目的:

• 引入一个新的深度学习框架,深度注意网络与多时空信息融合 (DAN-MTIF),用于睡眠呼吸暂停的检测.
• 为了利用单线心电图 (ECG) 信号进行非侵入性SA诊断.
• 将DAN-MTIF的性能与经典机器学习方法进行比较.

主要方法:

• 利用三个1D卷积神经网络 (CNN) 块从R-R间隔和R峰幅度中提取不同段长的特征.
• 集成了一个多头注意力模块,可以自动关注来自不同时间尺度的动态重量特征.
• 进行了全面的实验,比较DAN-MTIF与基准经典机器学习和深度学习方法.

主要成果:

• 丹-MTIF实现了高性能指标:0.9106准确度,0.9396精度,0.8470灵敏度,0.9588特异性,以及0.8909F1-分数在每个细分级别.
• 该模型有效地从多个时间尺度的ECG段中提取了歧视性特征,优于单个时间尺度的特征提取.
• 包括DAN-MTIF在内的深度学习方法,与SA检测的经典机器学习算法相比,表现优越.

结论:

• 拟议的DAN-MTIF框架提供了一种高度准确和高效的方法,用于使用单线心电图检测睡眠呼吸暂停.
• 多时间特征融合和注意力机制对于提高SA检测性能至关重要.
• 深度学习方法代表了自动睡眠呼吸暂停诊断传统方法的显著进步.