【论文阅读】An expert system for automated identification of obstructive sleep apnea from single-lead ECG

论文：An expert system for automated identification of obstructive sleep apnea from single-lead ECG using random under sampling boosting

一、摘要

这篇文章采用了一种新颖的信号处理技术即TQWT，首次引入RUSBoost基于单导联的ECG信号对睡眠呼吸暂停进行分类。最终目标是开发一种用于家庭护理的便携式，可穿戴但低功耗的睡眠呼吸暂停监测设备。

二、数据

采用了Physionet的呼吸暂停ECG数据库
记录已从35个受试者中获得。呼吸暂停-心电图数据集的记录分为三组，即正常组（C类，在OSAS中最多5分钟），临界线组（B类，在OSAS中具有5–99分钟）和呼吸暂停设置（A类，在OSAS中至少有100分钟）。c，b和a类受试者的平均年龄为33、46和50 年。c，b和a类的受试者分别是27-47岁，39-53 岁和29-63岁。这些受试者的呼吸暂停低通气指数（AHI）在0到83之间变化。这些受试者的年龄在27到63 岁之间，其中平均年龄为45 岁，年龄标准偏差为10岁。的身体质量指数的受试者（BMI）和19.2之间变化 （意思： ）。受试者的体重在53到135 千克（86.3±22.2 千克）之间。每组的录音时间约为7-10 小时。记录已由专业记分员标记为睡眠呼吸暂停/呼吸不足事件。记录已被标记为60秒。每个段的标签指示该段中OSAS事件的存在（或不存在）。ECG信号的采样频率为100 Hz。信号的分辨率为12位。因此，每个ECG信号段长达60 s或6000个样本。图2示出了非呼吸暂停和呼吸暂停信号段。有关数据集的更多详细信息，请查阅[21]。
UCDDB数据集
其中包括来自25名睡眠呼吸障碍者的通宵多导睡眠图。受试者的年龄（21位男性和4位女性）在28至68岁之间变化（平均：49.96±9.55）。受试者的体重在59.8 公斤至128.6公斤之间变化（平均：95.02±14.70 公斤）。多导睡眠图已使用Jaeger Toennies（德国Erich Jaeger GmbH）系统获得。此数据集的ECG记录已通过修改的导线V2收集。手指脉搏血氧仪已用于记录SpO2信号。该数据库的ECG记录的采样率为125 赫兹。记录已由专业记分员按一分钟进行分段。然后，给每个段贴上标签（即非呼吸暂停或呼吸暂停）。

三、方法

TQWT是一种灵活的小波变换，已成为分析振荡性质信号的理想信号分解方案[23]使用TQWT分解ECG信号的片段，并获得子带。然后，从每个所得的TQWT子带计算三个统计特征。最后，使用RUSBoost进行睡眠呼吸暂停分类。

RUSBoost是一种新提出的混合采样/增强分类模型，特别适合解决类不平衡问题[30]。它采用随机欠采样（RUS），只要未达到所需的平衡，就会从包含大多数实例的类中随机删除实例。

在本文中，决策树已用作弱分类器或WeakLearn ，算法的整体性能取决于树的数量。下一节将介绍该参数的最佳选择。RUSBoost克服了SMOTE的两个警告。首先，SMOTEBoost增加了算法的复杂度。SMOTEBoost必须找到k少数阶级例子的最近邻居。之后，它在它们之间进行推断以创建新实例。相反，RUSBoost只是随机摆脱了多数类的实例。其次，要注意的是SMOTE依赖于过采样。就模型训练时间而言，这实际上是非常低效的。更糟的是，SMOTEBoost采用了​​Boosting。这意味着必须通过更大的训练数据集来生成许多模型。相反，RUSBoost涉及较小的训练数据集，因此，所需的模型训练时间也较短[30]。研究表明，RUSBoost的性能是可比的，并且通常比SMOTEBoost和AdaBoost更好，尽管它是比两者更简单，更快速的技术[30]。前述优点启发了在建议的方案中使用RUSBoost。

四、结果与讨论

文章针对RUSBoost评估了八个广泛使用的分类器。它们是-极限学习机（ELM），普拉森（Prazen）的概率神经网络（Prazen PNN），自举聚合（Bagging），k最近邻（kNN），支持向量机（SVM），最小二乘SVM（LS-SVM），随机森林（RF）和自适应增强（AdaBoost）。这些分类模型的更详细描述可以在[31]，[11]中找到。
在这项工作中，kNN在k= 1时表现出最佳性能。为了实现AdaBoost，RF和Bagging，决策树已用作基础学习者或弱分类器。再次，为了实现ELM，使用了三个激活函数-hardlimit，sine和Sigmoidal。获得了最佳精度值S型函数，如图7所示。图7表明，即使RF，AdaBoost和Bagging产生更高的精度，kNN仍具有良好的算法性能。但是，从图7可以明显看出，RUSBoost是分类模型的最佳选择，因为它的准确性优于竞争分类器。

还检查了三个TQWT参数的效果及其最佳值的选择。TQWT分解级别数的值从1到30以1为步长变化。在每种情况下，都执行我们算法的特征提取和分类过程。图8显示了我们的实验结果。对于J = 26 ，精度值变为最大值。先前的研究表明为了消除小波的过多振铃，在通过TQWT分解信号段时必须保持[23]。结果，从图9可以看出，r的值从3变化到20，并且对于r＝ 3获得了最佳的精度。这样也已经确定了Q因子的最佳值。图10显示了算法性能随Q因子的变化。如图10所示，在这项工作中Q的值设置为5。