基于深度学习的事件计数用于使用递归尖端神经网络进行呼吸暂停-呼吸暂停指数估计

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 睡眠医学 睡眠医学

背景情况:

• 睡眠呼吸暂停的诊断依赖于准确的事件量化,通常需要复杂的多睡眠学.
• 当前的家庭查方法在精确的事件定位方面面临挑战,这影响了可靠性.
• 呼吸暂停-低呼吸指数 (AHI) 是睡眠暂停严重程度的一个关键指标.

研究的目的:

• 引入RSN-Count,一种基于尖端神经网络的新方法,用于改进睡眠呼吸暂停查.
• 为了能够在家庭环境中可靠地估计呼吸暂停-呼吸暂停指数 (AHI).
• 为了减少对睡眠呼吸暂停诊断的精确事件定位的依赖.

主要方法:

• 开发RSN-Count,一种尖端神经网络技术,用于直接计数呼吸暂停事件.
• 使用全夜音频和SpO2记录进行信号分析.
• 专注于事件量化,而不是精确的基于时间的精确定位.

主要成果:

• 与既有方法相比,RSN-Count显示出更好的无呼吸事件量化.
• 在AHI估计中实现了较低的平均绝对误差 (MAE).
• 在33名参与者的数据集上进行了验证,并记录了整个夜晚的记录.

结论:

• 在家庭环境中,RSN-Count为睡眠呼吸暂停查提供了有前途的进展.
• 该方法通过专注于事件量化来提高AHI估计的准确性.
• 解决当前诊断的局限性,潜在地提高了可访问性,减少了对多睡眠学的依赖.