基于深度学习的睡眠呼吸暂停分类使用混合1D-CNN-LSTM和1D-CNN-GRU模型
Nathania Maharani Callista1, Marwah Inas Rabbani1, Nico Surantha1,2
1Computer Science Department, BINUS Graduate Program-Master of Computer Science, Bina Nusantara University, Jakarta, Indonesia, 11480.
Studies in health technology and informatics
|February 23, 2026
概括
这项研究引入了混合深度学习模型,用于使用心电图数据检测睡眠呼吸暂停. 1D-CNN-GRU模型在准确分类睡眠呼吸暂停方面表现略高.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 心脏病学 心脏病学
背景情况:
- 睡眠呼吸暂停是一种普遍的睡眠障碍,与心血管疾病等严重健康问题有关.
- 准确和早期诊断睡眠呼吸暂停对于有效的管理和风险预防至关重要.
研究的目的:
- 提出和评估两种混合深度学习架构,1D-CNN-LSTM和1D-CNN-GRU,用于睡眠呼吸暂停的分类.
- 利用心电图 (ECG) 信号,特别是R-R间隔和R波幅,用于睡眠呼吸暂停的检测.
主要方法:
- 开发了两个混合深度学习模型:1D-CNN-LSTM和1D-CNN-GRU.
- 采用1D-CNN用于空间特征提取和LSTM/GRU用于捕获ECG数据的时间依赖.
- 在PhysioNet Apnea-ECG数据库上使用k倍交叉验证进行严格的性能评估.
主要成果:
- 这两种1D-CNN-LSTM和1D-CNN-GRU模型都在睡眠呼吸暂停分类方面取得了高准确性.
- 1D-CNN-LSTM:准确度为96.49%,灵敏度为94.68%,特异性为98.33%,F1分数为0.96.
- 1D-CNN-GRU:准确度96.88%,灵敏度96.42%,特异性97.35%,F1得分为0.96,整体性能略有改善.
结论:
- 混合深度学习模型,特别是1D-CNN-GRU,在使用心电图信号对睡眠呼吸暂停进行分类时非常有效.
- 这些模型显示出开发自动化,实时睡眠呼吸暂停检测系统的巨大潜力.
- 这些发现表明,通过加强睡眠呼吸暂停的诊断和监测,可以改善临床结果.
