深度学习用于阻塞性睡眠呼吸暂停检测和严重性评估:一个多模式信号融合多尺度变压器模型
Yitong Zhang1, Liang Zhou2, Simin Zhu1
1Department of Otorhinolaryngology Head and Neck Surgery, The Second Affiliated Hospital of Xi'an Jiaotong University, Xi'an, Shaanxi Province, People's Republic of China.
Nature and science of sleep
|January 13, 2025
概括
一个新的深度学习模型使用心电图 (ECG) 和氧和 (SpO2) 信号准确检测阻塞性睡眠呼吸暂停 (OSA) 和其严重程度. 这种方便和经济的方法在多个数据集上显示出高精度,优于以前的方法.
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) 是一种普遍的疾病,需要准确的检测和严重程度评估.
- 目前的诊断方法可能是繁和昂贵的.
- 需要可访问和可靠的OSA诊断工具.
研究的目的:
- 开发一个深度学习 (DL) 模型,方便,经济,准确的阻塞性睡眠呼吸暂停 (OSA) 检测和严重程度评估.
- 使用心电图 (ECG) 和氧和 (SpO2) 数据创建一个多式联通信号模型.
- 为改善OSA诊断建立一种新的方法.
主要方法:
- 使用心电图和SPO2信号开发了一种多式合并信号的多尺度变压器模型.
- 该模型包含信号预处理,特征提取,交叉模式交互和分类模块.
- 该模型在医院数据集 (510名患者) 上进行了训练和验证,并在公共数据集 (呼吸暂停-ECG和UCD) 上进行了测试.
主要成果:
- 该模型在OSA检测中实现了高精度:91.38% (每段) 和96.08% (每记录) 在医院数据集上.
- 准确的严重性评估被证明具有90.20% (轻度),88.24% (中度) 和92.16% (严重) 的准确性.
- 该模型在公共数据集上表现出强的表现,每个细分的检测准确率为95.04% (呼吸暂停-ECG) 和90.56% (UCD).
结论:
- 拟议的DL模型为OSA检测和严重程度评估提供了先进,准确和适用的解决方案.
- 采用ECG和SpO2信号的多模式方法为传统方法提供了方便和经济的替代方案.
- 实验结果验证了与现有方法相比,该模型的优越性能.
