可解释的人工智能驱动的脑电图分析和优化转移学习,用于通过单导电心电图来检测睡眠呼吸暂停
Mahan Choudhury1, Md Tanvir1, Mohammad Abu Yousuf2
1Department of ICT, Bangladesh University of Professionals, Mirpur Cantonment, Dhaka 1216, Bangladesh.
Computers in biology and medicine
|February 9, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用单导电心电图 (ECG) 信号检测睡眠呼吸暂停. 这种方法实现了高精度,为诊断这种严重的睡眠障碍提供了更容易使用的工具.
科学领域:
- 心脏病学 心脏病学
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
背景情况:
- 睡眠呼吸暂停是一种严重的睡眠障碍,其特点是重复的呼吸停止,由于相关的神经心理问题需要及时干预.
- 当前的诊断方法,如多睡眠学,虽然准确,但往往需要复杂的多通道心电图 (ECG) 记录和先进的特征提取.
- 深度学习为开发更容易获得的睡眠呼吸暂停检测工具提供了一个有希望的途径.
研究的目的:
- 开发和验证一种基于深度学习的新方法,用于使用单导电图信号检测睡眠呼吸暂停.
- 在多个公共数据集中评估拟议方法的性能.
- 通过可解释的AI技术,提高深度学习模型的可解释性.
主要方法:
- 利用连续波形变换将单导电心电图信号转换为时间频率表示 (刻度图).
- 采用优化预训练的googlenet架构来进行转移学习,以对睡眠呼吸暂停进行分类.
- 在PhysioNet Apnea ECG,UCDDB和MIT-BIH多睡眠数据集上验证了模型,以进行每个细分的分类.
主要成果:
- 在无呼吸心电图数据集上实现了高性能,准确度为93.85%,灵敏度为93.42%,特异性为94.30%,F1分数为93.83%.
- 在UCDDB数据集 (87.20%准确度) 和MIT-BIH数据集 (88.58%准确度) 上表现出强的性能.
- 使用LIME (局部可解释模型不可知解释) 来提供对模型预测的洞察力.
结论:
- 拟议的深度学习方法有效地使用单线心电图信号检测睡眠呼吸暂停,提供了潜在的更容易获得的诊断方法.
- 该模型在各种数据集中的一致性能突显了其稳定性和更广泛临床应用的潜力.
- 可解释的人工智能通过在模型的决策过程中提供透明度,进一步支持临床效用.
