通过使用增强的单线心电图功能与定制的深度学习算法来检测与心房动相关的阻塞性睡眠呼吸暂停的新方法
Febryan Setiawan1, Cheng-Yu Lin2,3,4, Che-Wei Lin1,5,6,7,8
1Department of Biomedical Engineering, College of Engineering, National Cheng Kung University, Tainan, Taiwan.
Sleep
|August 12, 2025
概括
一个新的深度学习框架,SHHDeepNet,准确地从心电图信号同时检测心房动 (AF) 和阻塞性睡眠呼吸暂停 (OSA). 这种综合方法改善了心血管风险评估和患者管理.
科学领域:
- 心脏病学 心脏病学
- 睡眠医学 睡眠医学
- 人工智能的人工智能
背景情况:
- 心房动 (AF) 和阻塞性睡眠呼吸暂停 (OSA) 是常见的,相互关联的疾病增加心血管风险.
- 目前的诊断方法在与并发检测作斗争,造成临床未满足的需求.
- 现有的家庭睡眠呼吸暂停测试 (HSAT) 仅限于心电图监测,阻碍了OSA相关的AF诊断.
研究的目的:
- 引入SHHDeepNet,这是一个深度学习框架,用于使用单导电心电图同时检测AF和OSA.
- 利用先进的信号处理和深度学习来提高诊断准确度.
- 为满足临床需要的集成AF和OSA检测.
主要方法:
- 开发了SHHDeepNet,这是一个深度学习框架,利用了增强的ECG功能.
- 用于ECG信号预处理和特征隔离的重建独立组件分析 (RICA).
- 验证了睡眠心脏健康研究 (SHHS1) 和男性骨质疏松性骨折 (MrOS) 数据库的框架.
主要成果:
- 在内部验证上,SHHDeepNet在二进制和多类分类中实现了高精度 (例如,98.22%的二进制精度,98.36%的多类精度与5倍的CV).
- 离开一个主体的交叉验证证明了强大的性能 (例如,86.42%的二进制准确度).
- 在MrOS数据库上的外部验证显示出有希望的结果 (88.51%的多类准确性).
结论:
- 同时检测AF和OSA对于全面评估心血管健康至关重要.
- SHHDeepNet框架显示了临床决策支持的巨大潜力.
- 这种工具可以增强管理策略,改善AF和OSA患者的患者结果.
关键词:
这就是SHHDeepNet的深度.心房动是心房动的一种.定制的深度学习模型在家做睡眠呼吸暂停测试.独立组件分析独立组件分析带头心电图 (ECG) 是一种心电图.阻塞性睡眠呼吸暂停症是什么一个单一的单一的单一.可穿戴式监控设备的监控更多相关视频
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
1.8K
07:54Drug-Induced Sleep Endoscopy DISE with Target Controlled Infusion TCI and Bispectral Analysis in Obstructive Sleep Apnea
Published on: December 6, 2016
19.9K
