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

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...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:南京晓庄学院学报 2023-11, 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!
container_end_page 81
container_issue 6
container_start_page 72
container_title 南京晓庄学院学报
container_volume 39
creator 杨倩茹
李金莲
付洺宇
侯凤贞
description 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。
doi_str_mv 10.3969/j.issn.1009-7902.2023.06.012
format Article
fullrecord <record><control><sourceid>cass_wanfa</sourceid><recordid>TN_cdi_wanfang_journals_njxzxyxb202306012</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><cass_id>NJXZXYXB2023006012</cass_id><wanfj_id>njxzxyxb202306012</wanfj_id><sourcerecordid>NJXZXYXB2023006012</sourcerecordid><originalsourceid>FETCH-LOGICAL-c622-b1bf91414db362f7124eade967a6dc33cf65456a4082bb453ead400b57d3e7a83</originalsourceid><addsrcrecordid>eNo9jztLxEAcxLdQ8DjvU2hjkfW_j2xuSz18cmhzRbQJu3nIBYngIkYrC7uDQ1tRPBGus7DwFf04eXwNoxGrgZkfMwxCiwQwk0Iux3hoTIIJgLQcCRRToAyDwEDoDGr9-3OoY8xQAxACxOG0haziPsuzcfn2XGTT4mmaf0yqm8vq7qG6nRTXX8XVe56N8s_X8vGifBnNo9lIHZqw86dtNFhfG_Q2rf7uxlZvpW_5glJLEx1JwgkPNBM0cgjloQpCKRwlAp8xPxI2t4Xi0KVac5vVKQfQthOw0FFd1kZLTe2pSiKVHHjx0clxUg96SZyep2ep_vkHon5XswsN6ytT58YE3s62u-_uuau_UEN9A5daYwk</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于深度学习的睡眠呼吸事件检测</title><source>国家哲学社会科学学术期刊数据库 (National Social Sciences Database)</source><creator>杨倩茹 ; 李金莲 ; 付洺宇 ; 侯凤贞</creator><creatorcontrib>杨倩茹 ; 李金莲 ; 付洺宇 ; 侯凤贞</creatorcontrib><description>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。</description><identifier>ISSN: 1009-7902</identifier><identifier>DOI: 10.3969/j.issn.1009-7902.2023.06.012</identifier><language>chi</language><publisher>南京晓庄学院</publisher><ispartof>南京晓庄学院学报, 2023-11, Vol.39 (6), p.72-81</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/njxzxyxb/njxzxyxb.jpg</thumbnail><link.rule.ids>314,776,780,27901,27902</link.rule.ids></links><search><creatorcontrib>杨倩茹</creatorcontrib><creatorcontrib>李金莲</creatorcontrib><creatorcontrib>付洺宇</creatorcontrib><creatorcontrib>侯凤贞</creatorcontrib><title>基于深度学习的睡眠呼吸事件检测</title><title>南京晓庄学院学报</title><description>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。</description><issn>1009-7902</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNo9jztLxEAcxLdQ8DjvU2hjkfW_j2xuSz18cmhzRbQJu3nIBYngIkYrC7uDQ1tRPBGus7DwFf04eXwNoxGrgZkfMwxCiwQwk0Iux3hoTIIJgLQcCRRToAyDwEDoDGr9-3OoY8xQAxACxOG0haziPsuzcfn2XGTT4mmaf0yqm8vq7qG6nRTXX8XVe56N8s_X8vGifBnNo9lIHZqw86dtNFhfG_Q2rf7uxlZvpW_5glJLEx1JwgkPNBM0cgjloQpCKRwlAp8xPxI2t4Xi0KVac5vVKQfQthOw0FFd1kZLTe2pSiKVHHjx0clxUg96SZyep2ep_vkHon5XswsN6ytT58YE3s62u-_uuau_UEN9A5daYwk</recordid><startdate>20231120</startdate><enddate>20231120</enddate><creator>杨倩茹</creator><creator>李金莲</creator><creator>付洺宇</creator><creator>侯凤贞</creator><general>南京晓庄学院</general><general>中国药科大学理学院,江苏南京 211198%南京晓庄学院环境科学学院,江苏南京 211171</general><scope>NSCOK</scope><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20231120</creationdate><title>基于深度学习的睡眠呼吸事件检测</title><author>杨倩茹 ; 李金莲 ; 付洺宇 ; 侯凤贞</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c622-b1bf91414db362f7124eade967a6dc33cf65456a4082bb453ead400b57d3e7a83</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>online_resources</toplevel><creatorcontrib>杨倩茹</creatorcontrib><creatorcontrib>李金莲</creatorcontrib><creatorcontrib>付洺宇</creatorcontrib><creatorcontrib>侯凤贞</creatorcontrib><collection>国家哲学社会科学文献中心 (National Center for Philosophy and Social Sciences Documentation)</collection><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>南京晓庄学院学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>杨倩茹</au><au>李金莲</au><au>付洺宇</au><au>侯凤贞</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于深度学习的睡眠呼吸事件检测</atitle><jtitle>南京晓庄学院学报</jtitle><date>2023-11-20</date><risdate>2023</risdate><volume>39</volume><issue>6</issue><spage>72</spage><epage>81</epage><pages>72-81</pages><issn>1009-7902</issn><abstract>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。</abstract><pub>南京晓庄学院</pub><doi>10.3969/j.issn.1009-7902.2023.06.012</doi><tpages>10</tpages><oa>free_for_read</oa></addata></record>
fulltext fulltext
identifier ISSN: 1009-7902
ispartof 南京晓庄学院学报, 2023-11, Vol.39 (6), p.72-81
issn 1009-7902
language chi
recordid cdi_wanfang_journals_njxzxyxb202306012
source 国家哲学社会科学学术期刊数据库 (National Social Sciences Database)
title 基于深度学习的睡眠呼吸事件检测
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-03T01%3A17%3A09IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-cass_wanfa&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E7%9D%A1%E7%9C%A0%E5%91%BC%E5%90%B8%E4%BA%8B%E4%BB%B6%E6%A3%80%E6%B5%8B&rft.jtitle=%E5%8D%97%E4%BA%AC%E6%99%93%E5%BA%84%E5%AD%A6%E9%99%A2%E5%AD%A6%E6%8A%A5&rft.au=%E6%9D%A8%E5%80%A9%E8%8C%B9&rft.date=2023-11-20&rft.volume=39&rft.issue=6&rft.spage=72&rft.epage=81&rft.pages=72-81&rft.issn=1009-7902&rft_id=info:doi/10.3969/j.issn.1009-7902.2023.06.012&rft_dat=%3Ccass_wanfa%3ENJXZXYXB2023006012%3C/cass_wanfa%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_cass_id=NJXZXYXB2023006012&rft_wanfj_id=njxzxyxb202306012&rfr_iscdi=true