{论文阅读】Single Channel ECG for Obstructive Sleep Apnea Severity Detection Using a Deep Learning Approa

论文阅读：Single Channel ECG for Obstructive Sleep Apnea Severity Detection Using a Deep Learning Approach

一、摘要

专注于正常受试者（AHI <; 5）和严重OSA患者（AHI> 30）之间的分类。将具有呼吸暂停或呼吸不足事件的15秒原始ECG记录与一系列一维卷积神经网络（1-D CNN）用于自动特征提取，将深循环神经网络与长短期记忆（LSTM）结合用于时间信息提取和全连接神经网络（DNN），用于从大量特征中进行特征编码，直到接近两类为止。我们提出的方法的主要优点包括更轻松的数据获取，即时OSA严重性检测以及有效的特征提取，而无需专业知识。为了评估我们提出的方法，将545例受试者（其中364例正常，181例严重OSA患者）从MrOS睡眠研究（访问1）数据库中获取，并通过k倍交叉验证技术进行了研究。准确度为79。OSA严重程度分类的敏感性，特异性和F评分达到45％。这明显高于具有RR间隔和ECG派生呼吸（EDR）信号特征提取的SVM分类器的结果。有希望的结果表明，该方法为从单通道心电图检测OSA严重性提供了良好的开端，可从家庭和家庭中的可穿戴设备获得这些信息。

二、数据集

本研究中使用的数据集来自MrOS睡眠研究（访问1）数据库[7]，[4]，[19]，[2]。在基线检查中，在6个临床中心记录了2911名65岁以上的人的数据。他们提供原始多导睡眠监测（PSG）数据作为欧洲数据格式（EDF）文件，以及从Compumedics Profusion导出的每个参与者的注释XML文件。该数据集中的ECG信号是通过0.15 Hz的高通滤波器从Ag / AgCl贴片传感器以512 Hz的采样率获取的。每个注释文件包括每个EDF文件的呼吸暂停或呼吸不足发生的开始时间和持续时间的标记。我们使用数据集中提供的AHI变量来标记每条记录的OSA严重程度，该变量是每小时每小时发生4％的去饱和的所有去饱和和呼吸不足的呼吸暂停次数[5]。为了检测严重的OSA患者，以便如第二节所述，我们可以预防心源性猝死，因此，我们使用了AHI值在2到5之间的正常患者的ECG记录，以及AHI值大于2的非常严重的OSA患者的记录。 35.最后，对545名受试者进行了预处理，其中包括364名正常受试者和181名严重OSA受试者：
滤波ECG：为了减少ECG记录中的噪声[3]，原始ECG信号通过60 Hz的陷波滤波器滤波，然后使用截止频率分别为5和35 Hz的带通二阶Butterworth滤波器滤波。

提取呼吸暂停或呼吸不足事件：从开始时间到开始时间（根据其注释文件添加持续时间），将每个受试者的心电图提取为呼吸暂停或呼吸不足事件的样本。我们仅使用了持续28至32秒的事件。然后，我们选择了30秒，并使用z-score函数对其进行了归一化。最后，我们仅选择要使用的前15秒。

随机选择的样本：完成所有数据预处理程序后，共有8604例呼吸暂停或呼吸不足事件样本，其中3270例来自正常受试者，5334例来自严重OSA患者。我们最终从每个组中随机选择了1000个样本用于创建分类器。

三、方法

从15秒的ECG样本中检测了RR间隔和ECG派生呼吸（EDR）信号，并从中提取了特征

采用深度学习模型进行分类

四、结果

与其他先前的研究相比，该提议的分类方法实现了新的贡献水平。首先，它更方便，因为我们仅使用单个ECG通道对OSA严重性进行分类，并且此类设备通常可穿戴设备中找到。其次，我们仅使用了15秒的ECG信号，因此几乎是瞬时的。从这一优点出发，它不仅解决了浪费时间的问题，而且还可以适应警报系统的需要，以防止心源性猝死。最后，深度学习方法可帮助我们进行特征提取，并提供令人鼓舞的结果。但是，我们需要改进分类器，使其与所有OSA严重性级别的受试者兼容。