基于变压器的深度学习方法用于使用单线心电图检测阻塞性睡眠呼吸暂停
Malak Abdullah Almarshad1, Saad Al-Ahmadi2, Saiful Islam3
1Computer Science Department, College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, Saudi Arabia.
Frontiers in artificial intelligence
|February 27, 2026
概括
使用单个心电图 (ECG) 的新深度学习模型有效检测阻塞性睡眠呼吸暂停 (OSA). 这种人工智能方法提供了准确,高效的诊断,使用更少的信号,改善了患者的护理.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 睡眠医学 睡眠医学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种常见的疾病,由睡眠期间上呼吸道崩引起,导致严重的健康风险.
- 聚睡眠学 (PSG) 是标准的诊断工具,但成本昂贵,耗时,等待时间长.
- 越来越需要可访问的,准确的OSA诊断工具,特别是机器学习 (ML) 和深度学习 (DL) 的进步.
研究的目的:
- 引入一种基于变压器的新型深度学习模型,用于阻塞性睡眠呼吸暂停 (OSA) 检测.
- 为了评估模型的性能,使用单导电心电图 (ECG) 信号.
- 展示一个准确和有效的替代传统的诊断方法,如多睡眠学 (PSG).
主要方法:
- 开发了一个基于变压器的深度学习架构,能够处理原始,高采样率的心电图信号.
- 该模型旨在处理高噪声数据而无需预处理,并保持时间连续性.
- 研究了各种位置嵌入技术,包括一种基于自编码器的新型位置编码方法.
主要成果:
- 拟议的DL模型获得了高F1得分,超过现有方法超过13%.
- 该模型在处理原始,杂的心电图数据方面表现出了稳健性.
- 在每隔一秒的时间间隔实现了无呼吸期的精确分类,提供了详细的临床见解.
结论:
- 一个基于心电图的深度学习模型提供了一个非常准确和高效的方法来诊断阻塞性睡眠呼吸暂停 (OSA).
- 这种方法为OSA诊断提供了一个有希望的,不那么繁的替代方案,而不是多睡眠学 (PSG).
- 该模型分析原始信号并提供细粒度洞察力的能力可以显著帮助临床决策.
