【论文阅读】An Obstructive Sleep Apnea Detection Approach Using a Discriminative Hidden Markov Model From

论文阅读：An Obstructive Sleep Apnea Detection Approach Using a Discriminative Hidden Markov Model From ECG Signals
不仅正常或呼吸暂停的状态在时间上具有高度依赖性，而且状态转换模式因受试者而异。

一、摘要

阻塞性睡眠呼吸暂停综合症（OSA）综合征是一种常见的睡眠障碍，全世界越来越多的人遭受痛苦。作为用于OSA诊断的多导睡眠图（PSG）的替代方法，当前实践中使用的自动OSA检测方法主要集中于基于提取的生理信号的特征提取和分类器选择。但是，这些方法的一个共同限制是通常会忽略信号的时间依赖性，这可能会导致OSA诊断的关键信息丢失。在这项研究中，我们通过考虑分段信号内的时间依赖性，提出了一种基于ECG信号的新颖OSA检测方法。提供了判别式隐马尔可夫模型（HMM）和相应的参数估计算法。此外，使用模型中特定于受试者的转移概率来表征潜在OSA患者的受试者间差异。为了验证我们的方法，使用了从Physionet呼吸暂停-ECG数据库获得的70条记录。每记录分类的准确度为97.1％，每段OSA检测的准确度为86.2％，具有令人满意的灵敏度和特异性。与简单地忽略信号的时间依赖性的其他现有方法相比，该基于HMM的检测方法可提供更令人满意的检测性能，并可扩展到其他疾病诊断应用程序。每次记录分类的检测结果为1％，对于每段OSA检测的检测结果为86.2％，具有令人满意的灵敏度和特异性。与简单地忽略信号的时间依赖性的其他现有方法相比，该基于HMM的检测方法可提供更令人满意的检测性能，并可扩展到其他疾病诊断应用程序。

二、数据

本研究中的数据来自Physionet呼吸暂停-ECG数据库[21] ，[22]。总共采集了70个夜间连续运行大约8小时的连续ECG信号的记录，以进行分析。这些ECG信号是从完整的PSG记录中获得的，采样率为100 Hz，16位分辨率和改良的V2铅电极配置。每分钟对记录进行分段，医生将每个分段标记为正常或呼吸暂停。
这些录音源于各种各样的主题。受试者年龄从27岁到63岁（平均 ± 标准偏差： 43.8 ± 11.1年份）; 重量从53到135公斤（平均 ± 标准偏差： 86.3 ± 22.4公斤）; 高度从158到184厘米（平均 ± 标准偏差： 175.3 ± 6.1厘米）。这70个ECG信号记录的持续时间从401到578分钟（平均± 标准偏差： 432 ± 32 分钟），AHI的范围为0到93.5。
记录包括两组，每组包含35条记录。第一组（已发布的一组）用于模型构建和参数估计。第二组（隐含组）用于评估和验证我们的方法。保留的集合中总共包括17 268个细分受众群；在这些细分中，有10 718标注为“正常”，其余6550标注为“呼吸暂停”。在这项研究中，使用AHI录制≥ 5被定义为OSA阳性；否则，它们被归类为OSA阴性。这样，保留的唱片包含24个OSA阳性记录和11个OSA阴性记录。

三、方法

A、预处理
RR间隔通常测量心跳周期的持续时间，并通过计算相邻QRS（Q波，R波和S波）峰值之间的时间跨度来获得。在这项研究中，使用了BIOSIG工具箱的外部软件包来定位QRS络合物的峰[23]，[24] 。由于在产生的RR间隔内存在生理上无法解释的点，Chen等人提出了一种中值滤波器被用来消除那些潜在的异常值 [25]。
B、特征提取
可以通过多种提取方法[26]， [29]，[30]从RR间隔和EDR信号中提取可以为OSA检测提供关键信息的各种功能。在我们的研究中，特征库中的所有特征（包括RR间隔中的24个特征和EDR信号中的8个特征）每分钟都会提取一次；

采用具有高斯径向基函数核的支持向量机，结果表明，通过建议的基于HMM的检测方法，考虑到时间依赖性的模型的检测性能通常优于不考虑时间依赖性的所有其他分类器。

对于每个记录的分类，我们将基于我们提出的方法，以AHI的临床标准作为阈值，将预期的分钟数与每小时的呼吸暂停进行比较。具体来说，如果某个记录的每小时预期呼吸暂停分钟数大于5，则该记录被视为OSA阳性记录；否则，该记录被视为OSA阴性。

四、结果

在表III中比较了本研究和其他近期研究的按记录分类的结果 。在列出的研究中，[27]和[38]的按记录分类任务与我们的不同。在这些研究中，根据呼吸暂停的分钟数将记录定义为对照病例，临界病例或呼吸暂停病例。每个记录的分类任务是将非边界病例分为对照病例和呼吸暂停病例。为了与[27]和 [38]进行比较，我们测试了该方法在同一数据集上区分控制案例和呼吸暂停案例的区别。结果，在扣留组的30例非边界病例中，有29例被成功分类，准确性为96.7％。结合表III，该结果表明我们的方法实现了高精度和高灵敏度。表III我们的方法与其他几种研究的按记录分类结果的比较