文摘

阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠呼吸障碍。在世界各地,越来越多的人患有阻塞性睡眠呼吸暂停综合症。由于监控设备的限制,许多患有阻塞性睡眠呼吸暂停综合症仍未被发现。因此,我们提出一个基于单通道心电图的睡眠监测模型使用卷积神经网络(CNN),可用于便携式阻塞性睡眠呼吸暂停综合症监控设备。卷积学习不同的尺度特性,第一层由三种类型的过滤器。长期短期记忆(LSTM)是用于学习的长期依赖性阻塞性睡眠呼吸暂停综合症等转换规则。将softmax函数连接到最后完全连接层获得最后的决定。检测一个完整的阻塞性睡眠呼吸暂停事件,原始ECG信号分割到10年代重叠的滑动窗口。该模型与原始信号和分段训练随后测试来评估其事件检测性能。根据实验分析,该模型展览科恩kappa系数0.92,敏感性96.1%,特异性96.2%,准确性96.1% Apnea-ECG数据集。 The proposed model is significantly higher than the results from the baseline method. The results prove that our approach could be a useful tool for detecting OSA on the basis of a single-lead ECG.

1。介绍

阻塞性睡眠呼吸暂停(OSA)是一个主要的睡眠呼吸紊乱(SDB)综合征是冠心病的独立危险因素,高血压,心律失常1]。据美国睡眠医学学会手册(发布)2),成人的阻塞性睡眠呼吸暂停综合症是得分时减少90%或更多的基线口腔和鼻腔呼吸幅度10或更多,在睡眠期间发生。这种情况与重复气流限制和睡眠破碎,减少睡眠时间和有辱人格的阻塞性睡眠呼吸暂停综合症患者的睡眠质量3]。阻塞性睡眠呼吸暂停综合症不仅会导致白天神经认知赤字,嗜睡、抑郁、疲劳、和心脏病发作(4- - - - - -6),但也会导致脑部中风、高血压、心律失常、心肌梗死和缺血(7- - - - - -9]。根据发布(2),多导睡眠图(PSG)阻塞性睡眠呼吸暂停综合症被认为是黄金标准检测,基于综合评价的睡眠信号(10]。PSG一夜之间涉及到病人的记录和测量的信号通过传感器连接到身体,例如,脑电图(EEG)、肌电图(EMG)、心电图(ECG)和眼电图(小城镇),监测呼吸努力和其他biophysiological信号(1]。收集PSG数据后,医生检查他们使用统计工具得分阻塞性睡眠呼吸暂停事件。

然而,PSG有几个缺点。首先,病人需要睡在医院至少一天晚上,这会消耗大量的时间和是昂贵的。此外,许多病人在医院不能睡好。第二,许多电极连接到病人的身体。这些电极会打断他们的睡眠,这将导致测量结果的偏差。因此,重要的是要开发方法可以可靠地诊断阻塞性睡眠呼吸暂停综合症和几个信号,可以在家里使用。根据Mietus和彭11),病人的心跳间隔定期波动在阻塞性睡眠呼吸暂停综合症的发生和恢复。Zarei和美国手语12)表示,重大的改变心脏的心率或异常活动可能表明阻塞性睡眠呼吸暂停综合症。另外,根据我们的临床研究,患者的依从性很低时穿压力传感器传感器获取口腔和鼻腔呼吸。病人常常抽出鼻腔插管。因此,当与心电图信号相比,鼻气流数据可以不稳定将导致脱落。因此,在这项研究中,我们使用心电图信号来检测阻塞性睡眠呼吸暂停事件。

传统视觉阻塞性睡眠呼吸暂停综合症进球是一个非常乏味和医生进行费时的过程。因此,研制了许多替代OSA检测方法(13]。这些方法是基于生物如呼吸(14,打鼾15- - - - - -17动脉血氧饱和度),(8,9,18),和心电图12,19- - - - - -24信号,许多作者获得高性能阻塞性睡眠呼吸暂停综合症的检测水平。然而,几乎所有这些方法涉及数据预处理、特征提取、特征选择和分类。虽然特征提取是至关重要的,以确保良好的系统性能,这一过程需要相当的专业知识和特别局限于高维数据25]。

深度学习是一个有吸引力的选择,因为它可以自动学习和从原始数据中提取特征,可以与一个分类合并过程。特别是,卷积神经网络(cnn),这是一个受欢迎的深度学习模型,获得了巨大的成功由于其优良的性能在各个领域,包括视觉图像(26),语音识别(27),和文字识别28]。cnn也被应用于biosignal分类问题。例如,在我们之前的研究29日),可以使用一个CNN的睡眠阶段。Banluesombatkul et al。30.)使用metalearning睡眠阶段进行分类。Piriyajitakonkij et al。31日)提出了一个SleepPoseNet认识到睡眠姿势。与事件相关电位编码器网络应用于ERP-related任务(32]。Wilaiprasitporn et al。33)使用了深度学习的方法来提高性能的因为它使得基于脑电图情感识别人。最近,一些模型基于cnn曾检测阻塞性睡眠呼吸暂停综合症。Urtnasan et al。25)提出了一种自动检测的方法从单一铅心电图使用CNN阻塞性睡眠呼吸暂停综合症。何鸿燊et al。10)开发了一个方法为阻塞性睡眠呼吸暂停事件检测使用一个CNN和单通道鼻腔压力信号。Banluesombatkul et al。34)用CNN提取心电信号特征和完全连接神经网络对阻塞性睡眠呼吸暂停事件检测。麦克洛斯基et al。35)使用一个CNN和小波分析鼻腔气流和检测阻塞性睡眠呼吸暂停事件。然而,大多数这些方法的分数通过实时分析阻塞性睡眠呼吸暂停事件。根据发布的统治者2阻塞性睡眠呼吸暂停综合症,事件发生在10或更多。因此,实时分析将失去一些阻塞性睡眠呼吸暂停事件。与此同时,每个阻塞性睡眠呼吸暂停事件的持续时间是不同的。多个阻塞性睡眠呼吸暂停事件可以发生在短暂中只有一分钟(即。,一个时代);有时,一个阻塞性睡眠呼吸暂停事件可以长时间的在多个时期。因此,它是困难的为这些方法检测完整的阻塞性睡眠呼吸暂停事件。

根据Guilleminault et al。36),有阻塞性睡眠呼吸暂停事件和心率变异性之间的关系。他们表示,心率减慢阻塞性睡眠呼吸暂停事件的开头,突然增加时(恢复正常呼吸36]。因为长期短期记忆(LSTM)维护内存和利用学习时间信息反馈连接的输入序列,在这项研究中,我们提出一个新的方法使用CNN和LSTM阻塞性睡眠呼吸暂停综合症的检测。LSTM [37)是用来学习这些依赖项,如医生使用的转换规则,确定未来的阻塞性睡眠呼吸暂停事件从先前的心电图时代。检测完成阻塞性睡眠呼吸暂停综合症的事件,一个窗口重叠方法需要准确地检测阻塞性睡眠呼吸暂停事件,它可以识别事件的开始和结束位置。因此,该方法可以为长期的阻塞性睡眠呼吸暂停事件警报,这将降低阻塞性睡眠呼吸暂停综合症引起的猝死事件(38]。

本研究的组织结构如下:数据集介绍部分2和部分中给出的方法3。并给出了实验结果和讨论部分4,部分5本研究的结论。

2。数据集和预处理

Apnea-ECG数据集(39),下载https://www.physionet.org/content/apnea-ecg/1.0.0被用来评估建议的方法。数据集包含70 PSG录音,其中35用于训练集和35用于测试集,训练集是用于更新该模型的参数,测试集是用于执行独立的绩效评估。每个记录都包含一个连续数字化心电图信号,一组呼吸暂停注释(派生由人类专家的基础上同时记录呼吸和相关信号),和一组机器生成的QRS注释。心电图的采样率是100 Hz, 12位分辨率。记录包含变量的长度从7到10小时。受试者的年龄是27和63年之间,他们的体重是35 - 135公斤。

首先,根据Urtnasan et al。25第5 - 11),切比雪夫二型带通滤波器(Hz)被用来去除不良噪音从单一铅心电图数据。第二,数据划分为时代(10年代长)来训练该模型。表1介绍了分布的时代训练集和测试集。异常的时代意味着阻塞性睡眠呼吸暂停事件。

表1
正常时期的数量(NE)和异常时代(AE)。

3所示。方法

3.1。卷积神经网络

在这项研究中,我们使用一维(1 d) CNN对ECG信号进行分类。CNN由卷积,池,完全连接层。的净输入神经元j在层l定义如下: 在哪里 代表的选择输入地图, 表示重量或过滤器与神经元之间的连接j和我, 神经元的输出信号吗我在层l−1 偏见与神经元有关吗j在层l,(∗卷积)表示向量。收购一个输出地图,需要一个激活函数如下:

相比与其他激活功能,纠正线性单元(ReLU)展品健壮的训练性能。因此,在这项研究中,我们使用ReLU作为激活函数为输出地图,可以表示如下:

卷积层后,池层被用来减少特征图的尺寸,网络参数,并计算成本与使用特定功能总结亚区连续层,如通过考虑平均的值或最大值。此外,池层允许CNN学习特性,是规模不变的或可以归因于取向的变化(40]。池操作由滑动窗口在前面的特征映射。后,麦克斯池使用卷积层被激活。最后,致密层,一般用在CNN的最后阶段,是完全连接到前一层的输出。

3.2。批正常化

在CNN的训练,改变输入的每一层的分布会影响成功的输出层。这可能导致困难当试图与饱和非线性火车模型41]。因此,批正常化(BN)被用来解决这个问题。

假设X= { }是输入层与维度d。相应的minibatchmb。所有输入的意思是在同一个minibatch可以表示如下:

输入的方差minibatch可以表示如下:

因此,BN可以表示如下: 在哪里 , ,和 是可学的参数。CNN的训练效率可以提高使用BN。同时,BN帮助CNN火车更快,并提供高精度(41]。

3.3。长时间的短期记忆

LSTM控制细胞状态通过三个大门,即。,a forgetting gate, an input gate, and an output gate. The output features obtained from the previous dense layer of a CNN layer are passed to the gate units. The memory cells constituting the LSTM update their states via the activation of each gate unit controlled to a continuous value between 0 and 1. The hidden state of the LSTM cellht每次更新t步骤。输入门,忘记门,输出门可以写成方程所示(7)- (9)[37),分别。 在哪里 代表逐点乘法。

细胞状态和隐藏的状态可以表示使用方程(10)和(11),分别。

CNN和LSTM可以作为反向传播算法更新的参数模型在训练。

4所示。实验

4.1。统计评价方法

在这项研究中,我们使用kappa系数(KP) [42),这是一个健壮的统计测量两分的协议,来评估我们的方法的性能。此外,总精度(TAC)敏感性(SE),特异性(SP),阳性预测值(PPV)以及阴性预测值(NPV)计算根据epoch-by-epoch分析如下: TP、TN、FP和FN表示真正的积极的,真正的负面,假阳性和假阴性。我们实现我们的实验在工作站GeForce GTX2060 GPU在Windows环境。TensorFlow框架用于训练模型。

4.2。提出了深模型结构和参数

建立一个最优的阻塞性睡眠呼吸暂停综合症检测体系结构中,我们需要理解输入数据的特点。心电图的采样率为100 Hz,和10年代输入维数是1000。提取不同尺度的特性,我们需要设置不同大小的过滤器。因此,实验是实现在不同滤波器卷积层的大小来确定最优参数自动检测阻塞性睡眠呼吸暂停综合症。根据现有的研究(25,29日),我们设计一个网络模型,其中包含一个卷积,BN,池、辍学,和致密层,如图1。N表示数量的过滤器。参数和结果如表所示2。从表2,我们可以看到model_2执行最好和model_1是第二个。然而,比model_1 model_2很大的参数。便携式阻塞性睡眠呼吸暂停综合症设备或实时阻塞性睡眠呼吸暂停综合症的分析系统,model_1更合适。因此,model_1用于学习心电图的特征表示。阻塞性睡眠呼吸暂停综合症的转换规则,学习LSTM使用。该模型包含了BN、卷积、池、LSTM,致密层,如图2。


图1
拟议的CNN模型示意图阻塞性睡眠呼吸暂停综合症的自动检测。
表2
不同模型的参数和tac。

图2
该模型的体系结构。

给出了该模型的详细参数表3。这个表显示过滤器的数量,大小,和步幅卷积在每一层,每个池的大小和步幅的内核层,每一层的输出大小,包括LSTM层。批处理大小是30,培训时代是100,和学习速率是0.1。图3显示了学习结果的准确性和损失获得时代的数量是不同的。结果表明,准确性和损失若干次迭代后达到稳定值的学习当应用于验证数据集。图4显示了过滤器形态和培训时间与每个时代。从图4(一)90年之后,我们可以看到,训练时期,滤波器的形态几乎不会改变。图4 (b)表明模型训练的速度快。

表3
该模型的参数。
(一)
(一)
(b)
(b)
图3
提出了模型的准确性和损失自动检测阻塞性睡眠呼吸暂停综合症。(一)损失曲线。(b)曲线的准确性。
(一)
(一)
(b)
(b)
图4
过滤器与每个时代形态和训练时间。(一)过滤形态。(b)培训时间。
4.3。性能结果

表4介绍了该模型的性能的自动检测阻塞性睡眠呼吸暂停综合症从单一铅ECG信号。当应用于测试数据集,我们获得了KP 0.92, 96.1%的SE, SP的96.2%,96.1%的TAC, PPV的97.6%,93.8%的净现值。可以看到,该模型检测阻塞性睡眠呼吸暂停综合症的表现很好。

表4
该模型的性能自动检测阻塞性睡眠呼吸暂停综合症。

从表4,我们可以观察到3.9%的AEs的并被错误地归类为3.8%的NEs并被错误地归类为AEs。根据我们的研究,这些错误可能是由于两个可能的原因。原因之一是,一个过渡时代从东北到AE或AE NE很难分类。例如,图5显示了一个过渡时代从东北到AE,而图6显示了一个过渡时代从AE到东北。一个熟练的医生能够分类这些基于上下文信息的时代。然而,该模型并不使用上下文信息得分阻塞性睡眠呼吸暂停综合症,使它无法区分的过渡时期。另一个原因可能是该模型很难得分工件时代。ECG信号可以被不需要的噪声污染的信号,包括身体运动。图7显示了一个污染心电图时代。因为工件时期很少有和不同,该模型无法学习所有工件时代的分布。因此,该模型是困难的检测工件时代的阻塞性睡眠呼吸暂停综合症。在这种情况下,使用手工制作的功能似乎相当强劲。


图5
从一个NE AE过渡时代。蓝色表示心电图信号,黑色表示鼻腔气流信号。

图6
一个过渡时代的AE NE。蓝色表示心电图信号,黑色表示鼻腔气流信号。

图7
一个心电图工件时代。蓝色表示心电图信号,黑色表示鼻腔气流信号。
4.4。长时间的短期记忆的好处

LSTM的使用相关的主要优势是,它可以训练学习的长期依赖,包括使用的转换规则,医生来确定下一个可能的阻塞性睡眠呼吸暂停事件(s)从心电图时代序列。验证的有效性LSTM,我们删除了LSTM层从模型(图2),然后重新实现的实验。这个测试被任命为CNN_1。表5显示了比较的结果,我们可以看到,该模型(CNN + LSTM)导致CNN_1 TAC上涨1.3%。此外,KP增加0.03 LSTM添加时,验证我们的假设。

表5
比较分类性能。

图8显示了一个示例的ECG信号。当该方法使用(CNN + LSTM),分类作为一个NE时代。然而,当使用CNN_1,这个时代是得分为阻塞性睡眠呼吸暂停综合症的事件。阻塞性睡眠呼吸暂停综合症的原因误分类是心率缓慢在这时代的中心。根据之前进行的一项研究[11阻塞性睡眠呼吸暂停综合症发生时,心率减慢。因此,CNN_1学到这个特性。然而,从图8我们可以观察到,心率变化很少。同时,前一时期的心率是类似于这个时代。然而,由于LSTM学习的长期依赖,CNN + LSTM方法准确地检测时代,这是与LSTM的使用中受益。


图8
正常心电图的时代。
4.5。阻塞性睡眠呼吸暂停综合症的检测

如前所述,阻塞性睡眠呼吸暂停综合症是危险的,因为它可能导致突然死亡。识别长阻塞性睡眠呼吸暂停综合症,窗口重叠的方法可以用来检测阻塞性睡眠呼吸暂停事件的开始和结束位置。通过这种方式,可以发现图长阻塞性睡眠呼吸暂停综合症9表明该模型可以从心电图检测完整的阻塞性睡眠呼吸暂停事件信号。从鼻腔气流信号,我们可以观察阻塞性睡眠呼吸暂停事件检测到我们的模型已经被准确地识别。


图9
多个阻塞性睡眠呼吸暂停事件的开始和结束位置。
4.6。比较该方法与现有的研究

比较各种方法的自动检测阻塞性睡眠呼吸暂停综合症是很困难的,因为不同的数据集时,特性集,使用分类器在不同的研究。与现有的研究中,为确保一个公平的比较表6展示了不同的方法的分类性能基于单一铅心电图信号。从表6,我们可以观察到该模型实现更好的性能相比以前的研究与实现。更重要的是,我们的方法可以结合使用可穿戴式医疗设备,为家里阻塞性睡眠呼吸暂停综合症的监控是非常重要的。

表6
表现的比较不同的方法。

5。结论

在这项研究中,我们开发了一个自动化使用CNN阻塞性睡眠呼吸暂停综合症的事件检测方法,在特征提取和选择过程不是必需的。该方法检测阻塞性睡眠呼吸暂停事件的开始和结束位置基于心电信号数据的重叠的时代。我们的方法自动提取的定常特性从原始ECG信号没有利用任何手工制作的功能。建议的方法是健壮和完全自动化,该方法可以很容易地适应其他生理信号分析和预测问题。的TAC和KP该模型应用于单通道心电图达到96.1%和0.92,分别。实验结果表明,该方法能够准确地得分阻塞性睡眠呼吸暂停事件和它取得了类似的性能与其他先进的研究。更重要的是,我们的方法可以防止猝死阻塞性睡眠呼吸暂停综合症,这是重要的阻塞性睡眠呼吸暂停综合症的患者受到严重影响。

有一些限制与我们的CNN方法有关。首先,该模型只能检测阻塞性睡眠呼吸暂停综合症和正常事件但不是呼吸不足事件。尽管呼吸浅慢不是严重的阻塞性睡眠呼吸暂停综合症,它仍然是流行在睡眠呼吸障碍患者。第二,很难得分过渡时期使用我们的方法。在未来,我们将提高我们的辨别能力方法为AEs和新经济学院。此外,自动心电图的异常检测基于CNN,这是很重要的快速评估心电图数据的质量,将研究。

数据可用性

Apnea-ECG数据集,从下载https://www.physionet.org/content/apnea-ecg/1.0.0被用来评估我们建议的方法。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持河南省重点科学技术研究项目批准号。202102210127和202102210127下,部分由美国国家科学基金会中国批准号部分61973177,河南省重点实验室智能照明,部分由河南国际联合实验室的行为优化控制智能机器人,在河南的项目部分的创新研究团队合作控制群机器人技术,部分奖计划Tianzhong黄淮大学的学者们在2019年,部分Zhumadian人工智能与医学工程技术研究中心和部分Zhumadian工业创新与发展研究主要项目批准号2020 zda06。