使用FMCW雷达进行睡眠呼吸暂停事件级别识别

科学领域:

• 生物医学工程 生物医学工程
• 医疗器械 医疗器械
• 医疗保健中的人工智能

背景情况:

• 睡眠呼吸暂停的诊断受阻于昂贵和不方便的方法,如多睡眠学 (PSG).
• 目前的可穿戴设备缺乏有效查和监测所需的质量控制和患者合规性.
• 迫切需要可访问,准确的诊断工具,以广泛评估睡眠呼吸暂停.

研究的目的:

• 开发一种使用FMCW雷达进行事件级睡眠呼吸暂停检测的无接触,低成本和准确的方法.
• 通过将SpO2预测作为多任务学习框架中的辅助任务,提高检测准确性.
• 评估系统的性能与睡眠呼吸暂停诊断和严重程度分级的既定方法相比.

主要方法:

• 利用频率调制连续波 (FMCW) 雷达技术进行非接触式信号采集.
• 开发了一个基于U-Net架构的新型深度学习模型,具有自我注意和SE模块,用于事件级别的细分.
• 实施了多任务学习框架,结合了SpO2预测,以改善特征提取和临床相关性.

主要成果:

• 在事件级睡眠呼吸暂停细分中取得了高准确性,F1得分为0.8019.
• 与基线方法 (基础U-Net和CNN-MHA) 相比,表现优越.
• 成功地以91.43%的准确度对阻塞性睡眠呼吸暂停 (OSA) 的严重程度进行了分级.

结论:

• 基于雷达的FMCW系统为OSA评估提供了一个有希望的,非接触式,低成本和准确的解决方案.
• 这项技术有可能彻底改变睡眠呼吸暂停的诊断,使大规模查和持续的家庭监测成为可能.
• 这些发现表明,通过可访问的睡眠呼吸暂停诊断,改善了患者的治疗结果和公共卫生影响.