《Biomedical Signal Processing and Control》：A convolutional neural network for automatic detection of sleep-breathing events using single-channel ECG signals
編輯推薦：
睡眠呼吸暫停低通氣綜合征（SAHS）危害大，現有檢測方法多為二元分類，難以滿足需求。研究人員提出 TriGNet 模型，利用單通道心電圖（ECG）信號檢測相關事件。該模型準確率達 94.08%，提升了睡眠呼吸事件檢測能力，助力 SAHS 防治。
睡眠，本應是人體放松修復的美好時光，但對于患有睡眠呼吸暫停低通氣綜合征（SAHS）的人來說，卻可能充滿危機。SAHS 是一種常見的睡眠呼吸障礙，全球約有 9.36 億 30 - 69 歲的人受其困擾。它不僅會導致內分泌紊亂，還與白天嗜睡、認知障礙、高血壓、腦血管意外等健康問題密切相關。
目前，多導睡眠監測（PSG）雖為評估睡眠相關呼吸障礙的 “金標準”，能提供腦電圖（EEG）、心電圖（ECG）等全面數據，通過呼吸暫停低通氣指數（AHI）量化病情，但它成本高、耗時長，患者需佩戴多種電極和傳感器，十分不便，并不適合 SAHS 的早期診斷。而獲取 ECG 信號相對簡便，且研究表明，阻塞性睡眠呼吸暫停（OSA）等事件會改變 ECG 信號，使得基于 ECG 信號檢測睡眠呼吸事件具備可行性。
此前，研究人員針對睡眠呼吸事件檢測開展了諸多探索。不過，多數研究集中于二元分類，將呼吸暫停和低通氣合并為一類，這難以滿足當下輔助診斷和精準睡眠質量監測的需求。因為睡眠呼吸暫停通常比低通氣更嚴重，二者 AHI 值可能相近，卻影響著臨床治療決策。并且，不同低通氣評分標準下 AHI 估算差異大，而睡眠事件多分類研究又相對匱乏，所以區分睡眠呼吸暫停和低通氣事件迫在眉睫。
為解決這些問題，國內研究人員（Hao Dong、Junming Zhang 等人）開展了一項基于單通道 ECG 信號自動檢測睡眠呼吸事件的研究。他們提出了一種名為 TriGNet 的卷積神經網絡（CNN）模型，并通過在 MIT - BIH PSG 數據集上訓練和驗證，評估其效果。該研究成果發表在《Biomedical Signal Processing and Control》。
在研究方法上，研究人員主要采用了以下關鍵技術：一是從 MIT - BIH PSG 數據集中提取單通道 ECG 信號，該數據集包含 16 名受試者超 80 小時的多通道 PSG 記錄，且每個記錄都有逐拍標注的 ECG 信號；二是設計了 TriGNet 模型，其整合了基于門控單元的可學習動態數據調節機制，利用三個不同的卷積分支對預處理后的 ECG 信號進行多尺度特征提取，還設計了 2D 特征提取組件，將 1D 的 ECG 信號數據當作 2D 數據處理以獲取更多特征信息；三是對數據進行預處理和增強，將處理后的 ECG 信號按 6:2:2 的比例劃分為訓練集、驗證集和測試集，分別用于模型訓練和評估 。
在研究結果方面：
- 數據集處理結果：從 MIT - BIH PSG 數據集的 PSG 記錄中成功提取單通道 ECG 信號，為后續模型訓練和研究奠定數據基礎。
- 模型訓練與分類結果：經過訓練，TriGNet 模型能夠將 30 秒長、250Hz 的單通道 ECG 信號成功分類為正常、低通氣和呼吸暫停這三種睡眠呼吸事件。在測試集上，該模型達到了 94.08% 的準確率、93.02% 的宏 F1 分數以及 89.91% 的 Cohen's kappa 系數，展現出了卓越的性能。
研究結論和討論部分表明，TriGNet 模型基于多分支結構，結合 2D 特征提取和 GDDR 機制，能有效從 ECG 信號中自動分類睡眠呼吸事件。該模型的成功研發，為睡眠呼吸事件檢測提供了新的方法和思路，打破了傳統二元分類的局限，有助于更精準地監測睡眠質量、輔助臨床診斷 SAHS，對早期預防和治療 SAHS 具有重要意義，有望推動睡眠醫學領域的進一步發展，讓更多受睡眠呼吸障礙困擾的患者受益。
