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

发布时间：2020-12-14 16:35

　　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... 

【文章来源】：中国生物医学工程学报. 2020年04期 北大核心

【文章页数】：10 页

【部分图文】：

本研究提出的OSA检测方法整体系统框图

图1 本研究提出的OSA检测方法整体系统框图式中，稀疏惩罚项基于Kullback-Leibler(KL)散度构建，l表示隐含层神经元数目，β是稀疏惩罚项系数，λ是权重衰减项系数。

Song等[8]认为，患者某一时刻的疾病状态可能会与前一时刻的状态具有联系，而人们又难以从观测序列中判断疾病状态。他们将疾病状态与观测序列联系起来建立HMM，取得了不错的结果。基于前人的研究，本研究将半监督学习算法获取的特征作为观测序列与疾病状态联系起来，建立SVM-HMM和ANN-HMM混合模型作为分类器。图4 神经网络训练。(a)预训练;(b)微调


本文编号：2916669