基于RGCN的阻塞性睡眠呼吸暂停预测研究

摘要：

阻塞性睡眠呼吸暂停(obstructive sleep apnea,OSA)预测对于睡眠健康预警至关重要.然而传统方法往往忽略各生理信号的空间和时间依赖性.提出一种基于循环图卷积网络(recurrent graph convolutional network,RGCN)的深度学习框架来挖掘呼吸生理信号间的时空特征.此方法利用图结构对呼吸生理信号数据的关联性进行建模.第一阶段构造了时空循环卷积块,利用图卷积和循环卷积对信号的空间特征和时间特征进行提取,对睡眠呼吸信号进行预测.第二阶段基于卷积操作对预测后的呼吸信号进行 OSA事件分类.实验结果表明,RGCN 模型捕获了呼吸信号的时空相关性,呼吸信号预测最低 MAE和 RMSE分别达到 1.0613 和 2.9941,利用预测的呼吸信号进行OSA事件预测的 F1 达到了 89.7%,与其他方法相比效果有明显提升.

关键词：阻塞性睡眠呼吸暂停预测、呼吸生理信号、循环图卷积、深度学习

所属期刊栏目：55

分类号：R766;TP183(耳鼻咽喉科学)

资助基金：四川省国际科技创新合作项目2022YFH0020

在线出版日期：2023-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：71-76