论文阅读:Deep learning approaches for automatic detection of sleep apnea events from an electrocardiogram
一、摘要
设计并实施了六种用于自动检测SA事件的深度学习方法,包括深度神经网络(DNN),一维(1D)卷积神经网络(CNN),二维(2D)CNN,递归神经网络(RNN),长短期记忆和门控循环单元(GRU)。分析并比较了设计的深度学习模型的性能。对ECG信号进行预处理,标准化并分成10 s的间隔。随后,将信号转换为2D形式,以便在2D CNN模型中进行分析。使用从86名SA患者中收集的数据集。训练集包含来自69位患者的数据,而测试集包含来自其余17位患者的数据。表现最佳的模型的准确性为99.0%,一维CNN和GRU模型的召回率为99.0%。
二、数据
对于本研究,分析了86例SA患者的夜间PSG记录(表1)。PSG记录是通过位于三星医疗中心(韩国首尔)的Embla N7000放大器设备(美国Embla System Inc.)进行测量的。根据AASM准则[39],PSG记录由经验丰富的睡眠技术人员进行标记。三星医疗中心的机构审查委员会(IRB:2012-01063)批准了此研究方案。参加本研究的所有患者均提供书面同意。
SA数据集包括正常呼吸和SA事件,包括呼吸不足(H)和呼吸暂停(A)。此外,从每个受试者组中随机选择由均衡事件数组成的SA数据集。训练集包含来自训练组69个受试者的63,441个事件,而测试集包含来自测试组17个受试者的11,670个事件(
预处理在从86位被诊断为SA的患者中获得的SA数据集上,对设计的深度学习方法进行了培训和验证。在PSG记录过程中,单引线ECG信号在大约6小时内以200 Hz的频率记录。通过FIR带通(0.5–30 Hz)对ECG信号进行滤波,以消除噪声和基线漂移。随后,将ECG信号进行分割以匹配基于事件的分类。将不重叠的分割应用于整个ECG信号,将其分为10秒间隔。使用以下短时傅立叶变换,将ECG信号转换为2D频谱图图像以生成2D输入信号:
三、方法
设计并实施了六种用于自动检测SA事件的深度学习方法,包括深度神经网络(DNN),一维(1D)卷积神经网络(CNN),二维(2D)CNN,递归神经网络(RNN),长短期记忆和门控循环单元(GRU)。
四、结果
在测试集中,一维CNN模型对呼吸暂停,呼吸不足和A + H事件的准确性分别为98.5%,96.4%和96.3%。测试集上的2D CNN模型性能显示准确度为95.9%,敏感性为96.0%,对呼吸暂停的特异性为96.0%,对于呼吸不足的特异性为95.8%,96.0%和96.0%,以及91.2%,92.0% ,对于合并的A + H事件,分别为91.0%。DNN模型显示出93.1%,82.3%,而对于呼吸暂停,呼吸不足85.3%的较低的精度,和A + H的事件,即使它具有一维CNN模型的相同的体系结构
此外,对于呼吸暂停,呼吸不足和A + H事件,LSTM模型的准确度分别为98.0%,97.0%和96.0%。GRU模型的准确性,敏感性和特异性对于呼吸暂停事件分别为99.0%,99.0%和99.0%,对于呼吸不足事件分别为97.0%,97.0%和97.0%,对于呼吸暂停事件分别为95.0%,95.0%和96.0%合并的A + H事件分别(表6)。相比之下,简单的RNN模型在呼吸暂停事件中的准确度,敏感性和特异性达到85.4%,97.0%和87.0%,在呼吸不足事件中达到80.7%,95.0%和79.0%,分别为83.2%,96.0%和82.0 %分别表示A + H事件。
在所有实验中,发现1D和2D CNN模型之间的性能比基于RNN的方法之间的性能差异更大(图5)。一维CNN模型在检测组合的A + H事件中表现最佳。LSTM和GRU模型在准确性方面未显示出显着差异。但是,它们确实需要至少20次迭代才能获得最佳性能,并且此后显示出一些尖峰和波动。
诸如CNN和RNN模型之类的深度学习方法不需要单独的手工特征提取过程。他们能够使用卷积过程和存储单元直接从原始数据中了解哪些特征很重要。**深度学习的另一个重要方面是能够检测特定事件(如呼吸不足)的能力,而传统呼吸机学习方法无法区分这些事件。呼吸不足事件一直是最难从ECG信号中检测到的事件。它们与气流减少和呼吸困难有关,因此它们产生的ECG信号可能看起来与正常睡眠中产生的信号相似。**但是,这项研究有一些局限性,描述如下。最初,本研究不包括某些类型的SA,包括中枢性和混合性呼吸暂停事件。此外,心电图信号被位置变化,大声打呼和睡觉时咳嗽所污染。最后,相对较少的患者和SA数据集被用于训练和评估这项研究。在进一步的研究中,我们应该进行研究,以利用基于深度强化学习的多模式和多类分类来克服SA事件自动检测的这些限制。