基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法

摘要

阻塞性睡眠呼吸暂停容易引发心血管并发症.作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量.鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中.然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识.基于深度学习的方法能够减少特征提取过程中的人为因素.提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法.首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习.然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势.基于PhysioNet的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7％、88.9％和82.1％,个体识别准确率达到100％.基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化.此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性.