基于深度学习的睡眠呼吸事件检测

基于深度学习的睡眠呼吸事件检测

TN911.7; 睡眠呼吸暂停、低通气等异常生理事件严重影响着人们的睡眠质量与生命健康,准确高效地检测此类事件是预防及诊断睡眠相关疾病的基础.本文基于双向长短时记忆网络,组合使用口鼻气流、胸部活动和腹部活动三种生理信号,构建多输入睡眠呼吸事件检测模型.模型的训练和测试在都柏林大学学院睡眠呼吸暂停数据集(UCD)和美国国家睡眠研究资源数据集(HeartBEAT)上进行.实验结果显示,本文构建的多输入模型可有效识别睡眠呼吸事件,在UCD数据集上的准确率达87.98％,ROC曲线下面积达0.964;在HeartBEAT上的准确率达88.49％,ROC曲线下面积达0.963.此外,本文发现腹部活动信号...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:南京晓庄学院学报 2023, Vol.39 (6), p.72-81
Hauptverfasser: 杨倩茹, 李金莲, 付洺宇, 侯凤贞
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:TN911.7; 睡眠呼吸暂停、低通气等异常生理事件严重影响着人们的睡眠质量与生命健康,准确高效地检测此类事件是预防及诊断睡眠相关疾病的基础.本文基于双向长短时记忆网络,组合使用口鼻气流、胸部活动和腹部活动三种生理信号,构建多输入睡眠呼吸事件检测模型.模型的训练和测试在都柏林大学学院睡眠呼吸暂停数据集(UCD)和美国国家睡眠研究资源数据集(HeartBEAT)上进行.实验结果显示,本文构建的多输入模型可有效识别睡眠呼吸事件,在UCD数据集上的准确率达87.98％,ROC曲线下面积达0.964;在HeartBEAT上的准确率达88.49％,ROC曲线下面积达0.963.此外,本文发现腹部活动信号在模型构建中具有较高的贡献度,表明了将腹部活动信号用于睡眠呼吸事件检测的必要性,为进一步开发睡眠呼吸疾病的自动筛查工具提供了参考.
ISSN:1009-7902
DOI:10.3969/j.issn.1009-7902.2023.06.012