【论文阅读】Online Obstructive Sleep Apnea Detection onMedical Wearable Sensors

GUANYX~

已于 2022-09-15 10:25:28 修改

阅读量150

点赞数

分类专栏： ECG 文章标签：深度学习

于 2020-11-12 16:47:07 首次发布

本文链接：https://blog.csdn.net/gyx1549624673/article/details/109626773

版权

ECG 专栏收录该内容

43 篇文章 9 订阅

订阅专栏

论文阅读：Online Obstructive Sleep Apnea Detection onMedical Wearable Sensors
IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS
卷: 12 期: 4 页: 762-773
DOI: 10.1109/TBCAS.2018.2824659
出版年:AUG 2018
Q1
4.042 4.07
2019 5 年

一、摘要

阻塞性睡眠呼吸暂停（OSA）是诊断不足的主要睡眠障碍之一。它是一些严重的心血管疾病（包括中风）的加重因素。但是，由于目前的系统相当庞大，昂贵，侵入性，并且不能用于非卧床环境的长期监视，因此缺乏用于OSA的长期动态监视的医疗设备。在本文中，我们提出了一种可穿戴，准确且节能的系统，可长期监测阻塞性睡眠呼吸暂停。作为物联网的嵌入式系统，它缩小了家庭保健和专业监督之间的差距。我们的方法基于使用单通道心电图信号监测患者。我们开发了一种有效的时域分析方法，以满足嵌入式系统的严格资源限制，以计算睡眠呼吸暂停分数。对于公共数据库（PhysioNet Apnea-ECG），我们的系统对我们的新在线和针对患者的分析具有高达88.2％的分类准确度，该分析考虑了每个患者的不同情况。

二、数据

用于训练和测试的记录可在Physionet上作为呼吸暂停ECG数据库公开获得

三、方法

经过ECG噪声过滤和ECG描绘后，我们的在线睡眠呼吸暂停分析的总体流程如图7所示。我们的OSA筛选方法允许间隔的长度不同，但是特别是在本文中，我们使用60秒的分析，因为我们使用的数据库仅提供了每分钟的标记。从ECG，我们生成了RR间隔和RS振幅时间序列，因为它们是我们最相关的功能（请参阅第III节）。首先，我们使用自己的增强型Thompson-Tau滤波器（第IV-A节），以消除错误的节拍中的异常值，这些错误的节拍主要是由运动系统固有的运动伪影和肌肉噪音引起的。然后，我们计算频谱在两个呼吸暂停频带中的功率，以获得RR呼吸暂停评分和RS呼吸暂停评分（第IV-B节）。之后，我们应用移动平均滤波器来平滑两个呼吸暂停分数的变化（第IV-C节）。最后，根据在III-B节中训练的SVM分类器，如果平滑呼吸暂停评分的线性组合大于阈值，我们将相应的分钟标记为呼吸暂停。
在这里插入图片描述

正如Clifford和Tarassenko所证明的，心跳异常值对频率分析具有很强的负面影响 [64]。因此，检测并消除这些异常值至关重要。
因此，在呼吸暂停评分之前，我们在一系列RR间隔上应用了自己的Thompson-Tau滤波器的低复杂度版本。算法的平均复杂度为O （n ）。在不可能所有值都是异常值的情况下，复杂度与原始实现中的相同。但是，只有几个值是异常值。确实，图8显示了分类精度，同时改变了过滤器对异常值检测的容限。如该图所示，如果使用非常宽容的过滤器，分类精度将提高5％，从而丢弃了一些最大的离群值。这意味着删除有限数量的最不合格样品将带来重大改进。因此，我们可以及早中止分类，从而节省大量能源。

四、结果

首先，第VI-A小节使用与Physionet Challenge完全相同的设置报告性能。这样可以轻松地与使用同一数据库的其他工作进行比较。接下来的三个小节依赖于患者特定的记录分组。为了评估我们针对患者的方法，将记录使用数据库中提供的元数据按患者分组，使用报告的年龄，性别，身高和体重而无歧义。表I显示了该分组的结果，其排序方式与原始文件相同。由于某些患者（患者10、23、26和29）参与了单个记录，因此无法将其用于患者特定研究，因此已被排除在外。这是因为我们需要一个记录进行培训，至少需要另一个记录来访问分类性能。表II报告了我们针对患者的方法得出的结果。
A. Physionet挑战分类准确度
在这项工作中，我们考虑了穆迪等人定义的完全相同的设置。Physionet挑战赛 [73]。经过优化并移植到嵌入式C语言后，我们达到的准确度为85.7％，而灵敏度为81.4％，特异性为88.4％（ F1 = 81.3％）。如果仅考虑RR间隔序列，则准确度为82.2％，灵敏度为73.3％，特异性为87.6％（ F1 = 75.7％）。这些结果比Maier等人[33] 的最佳时域分类器高出0.1％，比Da Silva Pinho等人的绝对最佳算法低了3％至5％。，以及De Chazal等。 [36]， [37]，以及在可穿戴设备上进行在线能效分析的额外好处。

B.患者理想（PI）分类准确度
为了量化可以从患者特定方法获得多少改进，对于每位患者，在相同的记录上进行培训和测试。在我们完全了解唱片的情况下，使用我们的技术可以实现的总体分类准确度是91.3％（特异性= 92.7％，灵敏度= 89.2％）。就使用OSA检测技术进行分类的准确性而言，这是最佳的性能。

C.患者不可知（PA）分类准确度
为了与特定患者的方法进行比较，我们按患者将表I中的记录分组。我们将每位患者的第一条记录用于培训，将其余的记录用于测试。我们将四名患者排除在外，因为他们仅贡献了一次录音。使用这种方法，我们得出OSA事件的分类准确度为84.5％（特异性= 88.1％，敏感性= 79.2％）。

D.患者特定（PS）分类准确度
即使阻塞性睡眠呼吸暂停事件的总体分类准确性很高（超过85％），但很少有患者表现出明显较低的分类结果（低于70％）。将每位患者的录音分组后，我们观察到它们在RR和RS呼吸暂停带中的能量分布具有明显的呼吸暂停特征。因此，我们建议在阻塞性睡眠呼吸暂停筛查系统中进行针对患者的SVM分类器培训。

在患者不可知的情况下，我们根据Physionet Challenge规则使用了来自不同患者的35条记录进行培训，以得到与最新技术水平相当的结果。在特定于患者的情况下，我们使用患者的第一夜记录来训练SVM分类器。

通过对所有患者进行详尽的分析，我们观察到，一方面，这种针对患者的方法总体上比与患者无关的设置好4.4％（特异性= 93.9％，敏感性= 80.0％）。另一方面，我们针对患者的OSA检测技术的准确度要比理想患者的方法低3％。即使在极少数情况下，性能也会稍有下降，但是这种调整为大多数患者带来了显着的改善，在患者不可知的情况下其准确性非常低（请参见表II和图9）。这一观察结果为长期筛查更多患者提供了可能性。
在这里插入图片描述

四、结论

阻塞性睡眠呼吸暂停是包括心血管疾病在内的不同健康状况的恶化因素。尽管阻塞性睡眠呼吸暂停的发生率很高，但只有一小部分人群被诊断和监测。因此，在本文中，我们设计了在线超低功耗可穿戴阻塞性睡眠呼吸暂停监测系统。我们的系统的性能和能效在特定于患者的环境下通过实验进行评估。对于每分钟的分类，我们的系统的分类精度为88.2％，电池寿命为46.8天。借助其蓝牙链接，该可穿戴式传感器可以将其分析结果上传到在线Web服务，以进行持续监控，从而跟踪疾病的进展。