【论文阅读】A method to detect sleep apnea based on deep neural network and hidden Markov model using sing

论文阅读：A method to detect sleep apnea based on deep neural network and hidden Markov model using single-lead ECG signal

一、摘要

阻塞性睡眠呼吸暂停（OSA）是最常见的与睡眠有关的呼吸系统疾病，有可能威胁人们的心血管系统。作为用于OSA检测的多导睡眠图的替代方法，基于ECG的方法已经开发了数年。但是，以前的工作集中在特征工程上，它高度依赖于人类专家的先验知识，并且可能是主观的。此外，特征工程还突出了当前学习算法的突出缺点，即这些特征无法从数据中提取和组织。本研究提出了一种基于深度神经网络和隐马尔可夫模型的OSA检测方法（HMM）使用单导联心电信号。该方法利用稀疏自动编码器学习特征，该特征属于无监督学习，仅需要未标记的ECG信号。两种类型的分类器（SVM和ANN）用于对从稀疏自动编码器提取的特征进行分类。考虑时间相关性，采用HMM提高分类精度。最后，采用决策融合方法提高分类性能。每段OSA检测的分类精度约为85％，灵敏度高达88.9％。根据每段OSA的检测结果，我们将OSA记录与正常记录完美分离，准确度为100％。实验结果表明，我们提出的方法对于OSA检测是可靠的。

二、数据

在已发布的数据集中，根据AHI指数将受试者分为三类（A，B和C），该指数由每小时的呼吸暂停和呼吸不足事件数计算。作为对照组（C类），将呼吸暂停少于5分钟且AHI指数少于5的记录视为正常记录。包括呼吸暂停超过100分钟且AHI指数大于5的记录被定义为呼吸暂停记录（A类）。最后，在两组之间，记录包含至少一个小时，其AHI指数为5或更高，并且在记录过程中出现呼吸暂停5至99分钟之间被定义为“边界呼吸暂停”记录（B类）。
采用Pan-Tompkins算法找到R峰值，然后采用中值滤波器消除生理上无法解释的点，最后使用已验证的R峰位置来计算RR间隔序列，将RR间隔序列内插到100个采样点，保证DNN输入为相同的长度。

三、方法

我们基于DNN的OSA检测方法的建议框架如图1所示。DNN结构从SAE开始，以利用无监督特征学习的优势并初始化DNN模型的参数。使用未标记的RR间隔作为SAE的输入可以自动学习表示，这种无监督的过程通常称为预训练。在使用这些功能训练分类器之前，采用了微调过程来改善学习的表示的辨别力。具体来说，整个网络在有逻辑回归层的监督下进行了微调，在反向传播中我们选择牛顿法作为优化器处理。然后利用这些特征训练分类器以获得HMM的参数，并在此过程中获得概率输出，将它们都发送到HMM模型中，以通过观察（特征）获得概率评估。最后，在不同的分类器之间采用了决策融合方法。

采用典型的无监督特征学习算法堆叠SAE来构建DNN模型。堆叠的SAE的单个隐藏层包含一个编码器和一个解码器。提出了重构输入数据本身的建议，将SAE的输入数据编码为代码。通过逐层编码的输入数据，从未标记的训练数据集中提取特征。在最后一次SAE之后连接逻辑回归层，使用标记的训练数据集和反向传播过程，对通过堆叠SAE提取的特征进行微调。DNN结构如图2所示。
**
**

我们在工作中采用了基于置信度得分的决策融合方法，因为我们的输出与该方法的获取一致。

四、结果

我们提出的方法每段的准确度为84.7％，灵敏度为88.9％，特异性为82.1％。在OSA筛选中，我们将OSA主题与非OSA主题完美地分开了。

表4列出了与我们的数据库使用同一数据集的最相关的工作。已发布的数据集用于构建模型，而保留的数据集用于验证。可以看出，准确性水平在83.8％至86.2％的范围内。传统方法侧重于优化总分类精度，因此，将不同的误分类样本的权重设置为相等以提高通用性。然而，在临床实践中，敏感性是非常重要的，因为在误分类的正常人或患者之间的花费并不相同[30]。此外，OSA段（6517）和正常段（10,605）数量的不平衡也凸显了追求整体准确性的缺点[34]。先前工作的敏感性低于其准确性，范围为76.7％至84.7％。在我们的工作中，灵敏度为88.9％，大大提高了。改进灵敏度的优点可以直接体现在每个记录的分类精度上。表5列出了使用相同数据集的相关OSA筛选工作。如表5所示，在每项记录分类阶段中，根据临床金标准，我们的工作正确地检测了所有受试者，而相关工作错过了一名呼吸暂停受试者。

我们采用了决策融合方法来提高分类的准确性。图6示出了不同分类器的混淆矩阵。根据结果​​，决策融合方法可以帮助提高分类器的性能。这是因为，虽然分类器的输出接近边界线，但很难确定它们属于哪个组。通过决策融合方法，系统的输出变得极端，更易于分类。此外，不同的分类器可以提供不同的数据信息，以帮助彼此实现。结果，组合系统的性能变得更加有效。