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。