基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究

睡眠呼吸暂停与低通气综合征(SAHS)严重影响睡眠质量, 是一种潜在的致死性呼吸疾病。为了兼顾对睡眠呼吸暂停与低通气(AH)事件检测的准确率与时间分辨率, 提出一种长短时记忆-卷积神经网络(LSTM-CNN)方法, 实现对AH事件的精准预测;同时基于事件检测结果, 提出一种呼吸紊乱指数(AHI)估计方法, 进而实现对SAHS严重程度的定量评估。选取美国国家心肺血液研究所睡眠健康数据库中54名受试者的腹部位移信号对LSTM-CNN算法进行测试。对于处理得到的超过90万数据片段, 正确率、敏感度、特异度分别为88.6%、88.2%、88.7%;54名被试的AHI预测结果与多导睡眠图(PSG)标注结果相比, 皮尔逊相关指数达到0.98;观察SAHS严重程度诊断结果, kappa系数达到0.95。结果表明, 所提出的方法不仅可以实现对AH事件的高精度检测, 而且可以对AHI指数与SAHS严重程度做出准确估计, 有望用于PSG检测之前SAHS的初步诊断以及成为家用SAHS长期监护工具。