使用单导电心电图有效检测睡眠呼吸暂停:一种CNN-变压器-LSTM方法

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 医疗保健中的人工智能

背景情况:

• 睡眠呼吸暂停 (SA) 是一种常见的睡眠障碍,影响呼吸模式,并可能导致严重的健康并发症.
• 早期和准确的SA检测对于预防相关的心脏,大脑和肺部问题至关重要.
• 电心电图 (ECG) 提供持续的心脏监测,对于识别SA相关的心脏变化,如心律不整,至关重要.

研究的目的:

• 开发和验证一种混合神经网络,用于使用单导电心电图信号自动检测睡眠呼吸暂停.
• 评估模型捕捉空间和时间特征的能力,以提高分类性能.
• 为了比较模型的有效性与现有的最先进的SA检测方法.

主要方法:

• 一种混合CNN-变压器-LSTM神经网络模型被设计用于SA检测.
• 该模型处理来自心电图数据的RR间隔 (RRI) 和R峰信号.
• 在Physionet Apnea-ECG和UCDDB数据集上使用每个细分和每个记录的分类来评估性能.

主要成果:

• 在Physionet数据集上,CNN-Transformer-LSTM模型在每段分类 (5倍CV) 中实现了94.1%的准确性.
• 每次记录分类达到100%的准确性,相关系数为0.9996 (CV为5倍).
• 在UCDDB数据集上,记录了99.37% (减少) 和98.34% (完全) 的准确率,超过了以前的方法.

结论:

• 该CNN-变压器-LSTM模型证明了高效的睡眠呼吸暂停检测从心电图.
• 该模型的性能表明其在临床和家庭的SA查设备中的潜在实用性.
• 这种方法为改善SA诊断和管理提供了一种有希望的非侵入性方法.