基于人工智能的方法用于使用EEG和ECG信号识别睡眠相关的呼吸事件

科学领域:

• 医疗器械
• 人工智能
• 睡眠医学

背景情况:

• 睡眠呼吸暂停,包括阻塞性睡眠暂停 (OSA) 和中央睡眠暂停 (CSA),是一种与睡眠有关的呼吸障碍.
• 常规的诊断通过多睡眠学 (PSG) 是不方便和昂贵的.
• 可穿戴设备和人工智能提供了使用生理信号改善睡眠呼吸暂停诊断的可能性.

研究的目的:

• 开发和评估使用家庭睡眠测试的EEG和ECG信号来识别OSA/CSA/低血压.
• 将集体机器学习模型的性能与深度学习模型进行睡眠事件分类.

主要方法:

• 从201个PSG研究中收集了EEG和ECG信号.
• 使用波形变换方法提取的非线性特征用于机器学习分类.
• 使用心电图谱图和深度学习模型进行比较分析.
• 检查了3类 (OSA-hypopnea-normal,OSA-CSA-normal) 和2类 (OSA-hypopnea,OSA-CSA) 的分类策略.

主要成果:

• 基于信号的机器学习模型的准确度为98.8%,灵敏度为99.1%,OSA和CSA分类的特异性为98.5%.
• 在大多数策略中,机器学习模型的分类准确度明显高于深度学习模型.
• 使用心电图和脑电图的非线性特征的多模式方法被证明是有效的.

结论:

• 结合心电图和脑电图信号的非线性特征,可以有效地对睡眠相关的呼吸事件进行分类.
• 与深度学习相比,拟议的机器学习模型在家庭睡眠呼吸暂停诊断方面提供了更高的精度和可靠性.
• 这种方法提高了家庭睡眠相关呼吸障碍的诊断能力.