混合残留神经网络用于使用心电图扫描仪检测阻塞性睡眠呼吸暂停

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能在医学中的应用

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 诊断传统上依赖于多睡眠学 (PSG).
• 电心电图 (ECG) 信号为OSA检测提供了更容易获得的替代方案.
• 单域心电图信号中的有限特征信息需要先进的处理技术.

研究的目的:

• 开发一个基于心电图的先进框架,用于准确和自动的阻塞性睡眠呼吸暂停 (OSA) 分类.
• 加强从心电图信号中提取时间频域特征,以改进OSA检测.
• 提出一种新的深度学习架构,用于使用心电图数据进行可靠的OSA分类.

主要方法:

• 开发了一种适应值消极同步压缩波波变换 (ADSWT) 算法,以从心电图信号中提取高分辨率的时间频率特征.
• 该ADSWT算法生成了ECG声谱图,作为拟议的混合残余神经网络 (HRN-Net) 的输入.
• HRN-Net包含动态特征提取和依赖性建模模块,用于全面的心电图信号分析.

主要成果:

• 拟议的框架在公共和私人数据集上实现了高性能.
• 在公开数据集上,准确度为0.942,灵敏度为0.926,特异性为0.959,F1得分为0.942.
• 在私人数据集上,准确度为0.946,灵敏度为0.921,特异性为0.972,F1得分为0.945.

结论:

• 开发的框架在使用ECG信号的自动OSA分类中表现出高准确度.
• ADSWT算法和HRN-Net有效地提取和分析ECG特征用于OSA检测.
• 这种基于心电图的方法显示出在OSA诊断中临床决策的巨大潜力.