基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究

摘要：

睡眠呼吸暂停与低通气综合征(SAHS)严重影响睡眠质量,是一种潜在的致死性呼吸疾病.为了兼顾对睡眠呼吸暂停与低通气(AH)事件检测的准确率与时间分辨率,提出一种长短时记忆-卷积神经网络(LSTM-CNN)方法,实现对AH事件的精准预测;同时基于事件检测结果,提出一种呼吸紊乱指数(AHI)估计方法,进而实现对SAHS严重程度的定量评估.选取美国国家心肺血液研究所睡眠健康数据库中54名受试者的腹部位移信号对LSTM-CNN算法进行测试.对于处理得到的超过90万数据片段,正确率、敏感度、特异度分别为88.6％、88.2％、88.7％;54名被试的AHI预测结果与多导睡眠图(PSG)标注结果相比,皮尔逊相关指数达到0.98;观察SAHS严重程度诊断结果,kappa系数达到0.95.结果 表明,所提出的方法不仅可以实现对AH事件的高精度检测,而且可以对AHI指数与SAHS严重程度做出准确估计,有望用于PSG检测之前SAHS的初步诊断以及成为家用SAHS长期监护工具.

关键词：长短时记忆网络、卷积神经网络、睡眠呼吸暂停与低通气综合征、多导睡眠图

所属期刊栏目：39

分类号：R318(医用一般科学)

资助基金：天津科技重大专项与工程;国家重点研发计划

在线出版日期：2020-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：303-310