Exploring the Efficacy of Convolutional Neural Networks in Sleep Apnea Detection from Single Channel EEG
AI and Computer Engineering International School of Engineering, CMKL University(CMKL大学国际工程学院人工智能与计算机工程系)
针对睡眠呼吸暂停传统诊断金标准PSG的诸多局限,提出基于单通道EEG训练的CNN检测方法,配套预处理、数据集构建及类别不平衡处理方案,准确率达85.1%,为家庭化自动化睡眠呼吸暂停检测提供可行路径。
2025-08-16 cs.LG eess.SP
AI vs Humans for the diagnosis of sleep apnea
Dreem(Dreem公司);Stanford University(斯坦福大学)
多导睡眠图(PSG)是诊断睡眠阻塞性呼吸暂停(OSA)的金标准。它可以监测整个晚上的呼吸事件。这些事件的检测通常由训练有素的睡眠专家完成。然而,这项任务是繁琐的,非常耗时,并受到重要的评分员之间的变化。在这项研究中,我们将最先进的睡眠事件检测深度学习方法DOSED应用于PSG中睡眠呼吸事件的检测,以诊断OSA。我们使用了52个PSG记录的数据集,其中呼吸暂停低通气事件评分来自5名训练有素的睡眠专家。我们评估了自动方法的性能,并将其与OSA严重程度诊断和单次呼吸事件检测的微尺度评分器间性能进行了比较。我们观察到,人类睡眠专家达到了75%的平均准确率,而自动方法达到了81%的睡眠呼吸暂停严重程度诊断。单个事件检测的F1分数平均为专家0.55,自动方法0.57。这些结果表明,自动方法可以在睡眠专家水平上执行OSA的诊断。
2019-06-20 cs.LG eess.SP stat.ML
Sensor Fusion using Backward Shortcut Connections for Sleep Apnea Detection in Multi-Modal Data
Ghent university(根特大学);imec(比利时微电子研究中心)
睡眠呼吸暂停是一种常见的呼吸系统疾病,其特征是夜间呼吸暂停。睡眠呼吸暂停综合征的症状有哪些尽管如此,由于医院床位和训练有素的睡眠技术人员短缺,许多人仍然没有得到诊断。为了帮助诊断过程,正在开发自动检测方法。最近的工作已经证明,深度学习模型可以从原始呼吸数据中提取有用的信息,并且这种模型可以用作鲁棒的睡眠呼吸暂停检测器。然而,受过训练的睡眠技术人员在注释睡眠记录时考虑多个传感器信号,而不是依赖于单个呼吸估计。为了提高模型的预测性能和可靠性,在这项工作中,早期和晚期传感器融合方法进行了探索。此外,提出了一种新的后期传感器融合方法,该方法使用向后捷径连接来改善模型的第一阶段的学习。使用CNN以及LSTM深度学习基础模型分析这些融合方法的性能。结果表明,一个显着的和一致的改善,在预测性能的单传感器的方法和其他探索的传感器融合方法,通过使用所提出的传感器融合方法与向后的捷径连接。
2020-05-19 cs.LG eess.SP stat.ML
Multimodal Sleep Apnea Detection with Missing or Noisy Modalities
University of Delaware(特拉华大学);Nemours Children’s Health(内穆尔儿童健康中心);IBM Research Almaden(IBM阿尔马登研究中心)
针对PSG多模态信号在临床中常缺失或含噪的问题,提出可兼容任意模态组合的睡眠呼吸暂停检测流程,在多种数据子集与噪声条件下优于现有方法并保持AUROC>0.9。
2024-02-24 cs.LG eess.SP
Single Channel ECG for Obstructive Sleep Apnea Severity Detection using a Deep Learning Approach
阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠障碍,由呼吸异常引起。OSA的严重程度可导致许多症状,如心源性猝死(SCD)。多导睡眠图(PSG)是诊断OSA的金标准。它记录了至少一整晚来自患者身体的许多信号,并计算出呼吸暂停低通气指数(AHI),即每小时呼吸暂停或呼吸不足的发生次数。然后使用该值将患者分类为OSA严重程度。然而,它有许多缺点和局限性。因此,我们提出了一种使用深度学习方法进行OSA严重程度分类的新方法。我们集中在正常受试者(AHI $<$ 5)和重度OSA患者(AHI $>$ 30)之间的分类。具有呼吸暂停或呼吸不足事件的15秒原始ECG记录与一系列深度学习模型一起使用。我们所提出的方法的主要优点包括更容易的数据采集,即时OSA严重程度检测,有效的特征提取,而无需专业知识的领域知识。为了评估我们提出的方法,545名受试者,其中364名是正常的,181名是严重的OSA患者从MrOS睡眠研究(访视1)数据库中获得的k倍交叉验证技术。用敏感度、特异度和F评分对OSA严重程度进行分类的准确率为79.45%。这显著高于具有RR间期和ECG衍生呼吸(EDR)信号特征提取的SVM分类器的结果。有希望的结果表明,该方法是一个很好的开始,从单通道心电图,可以从可穿戴设备在家里,也可以应用到近实时报警系统,如SCD发生之前的OSA严重程度的检测。
2018-08-31 eess.SP
A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors
University College Dublin(都柏林大学)
物联网(IoT)支持的可穿戴传感器用于健康监测,被广泛用于降低个人医疗保健成本和提高生活质量。睡眠呼吸暂停低通气综合征,其特征在于呼吸的异常减少或暂停,极大地影响个体的睡眠质量。本文介绍了一种从可穿戴设备获得的心电图(ECG)信号中检测呼吸暂停(呼吸暂停)的新方法。新颖性源于在逐秒的基础上的呼吸暂停检测的高分辨率,并且这是使用用于睡眠呼吸暂停事件的特征提取和检测的一维卷积神经网络来实现的。该方法的准确度为99.56%,灵敏度为96.05%。该模型优于几种分辨率较低的最先进的呼吸暂停检测方法。分析了该模型的复杂性。我们还分析了模型修剪和二值化的可行性,以减少可穿戴物联网设备上的资源需求。稀疏度为80%的剪枝模型的准确率为97.34%,灵敏度为86.48%。二值化模型的准确率为75.59%,灵敏度为63.23%。还研究了从通用模型导出的低复杂度患者特定模型的性能,以分析重新训练现有模型以适应患者特定要求的可行性。患者特异性模型的平均准确度为97.79%,灵敏度为92.23%。这项工作的源代码是公开的。
2021-05-02 cs.LG eess.SP
Automate Obstructive Sleep Apnea Diagnosis Using Convolutional Neural Networks
Wilfird Laurier University(威尔弗里德·劳雷尔大学)
从夜间多导睡眠图(PSG)记录中识别睡眠问题的严重程度在诊断和治疗阻塞性睡眠呼吸暂停(OSA)等睡眠障碍中起着重要作用。这种分析传统上是由专家通过目视检查手动完成的,这可能是繁琐的,耗时的,并且容易出现主观错误。解决方案之一是使用卷积神经网络(CNN),其中卷积和池化层充当特征提取器,并且一些全连接(FCN)层用于对OSA严重性进行最终预测。在本文中,CNN架构与一维卷积和FCN层分类。该项目的PSG数据来自克利夫兰儿童睡眠和健康研究数据库,分类结果证实了所提出的CNN方法的有效性。所提出的一维CNN模型实现了优异的分类结果,而无需手动预处理PSG信号,如特征提取和特征约简。
2020-06-13 cs.LG eess.SP stat.ML
Fusion of Millimeter-wave Radar and Pulse Oximeter Data for Low-burden Diagnosis of Obstructive Sleep Apnea-Hypopnea Syndrome
提出融合毫米波雷达与脉搏血氧仪的ROSA方法,通过SAE检测与睡眠分期网络结合SpO2调整,在大幅降低监测负担下实现与PSG高度一致的OSAHS诊断性能。
2025-01-25 eess.SP
ApSense: Data-driven Algorithm in PPG-based Sleep Apnea Sensing
ApSense提出一种基于指尖PPG信号和定制深度学习架构的OSA事件检测方法,在多个基准数据集上优于现有SOTA算法,并可用于低成本预筛查。
2024-10-19 eess.SP
Multimodal Sleep Stage and Sleep Apnea Classification Using Vision Transformer: A Multitask Explainable Learning Approach
University of Turku(图尔库大学);University of California, Irvine(加利福尼亚大学欧文分校);The UCI Comprehensive Sleep Center(加州大学欧文分校综合睡眠中心)
本文提出一种1D-Vision Transformer多任务学习方法,利用多模态传感数据同时进行睡眠分期和睡眠呼吸暂停分类,分别达到78%和74%的准确率,并通过注意力权重分析揭示呼吸波谷和波峰对分类的关键作用。
2025-02-18 cs.LG eess.SP
Detection of Sleep Apnea-Hypopnea Events Using Millimeter-wave Radar and Pulse Oximeter
提出ROSA方法,融合毫米波雷达与脉搏血氧仪信息,直接预测睡眠呼吸暂停-低通气事件的时间定位,实现低成本、免接触的OSAHS诊断,AHI与PSG高度一致(ICC=0.9864)。
2025-04-25 eess.SP
UT-OSANet: A Multimodal Deep Learning model for Evaluating and Classifying Obstructive Sleep Apnea
South China University of Technology(华南理工大学);Center for Sleep and Circadian Medicine, The Affiliated Brain Hospital, Guangzhou Medical University(广州医科大学附属市八医院睡眠与昼夜医学中心)
UT-OSANet是一种多模态深度学习模型,用于高精度评估和分类阻塞性睡眠呼吸暂停,通过多种输入模态和灵活训练策略实现事件层面的诊断。
2025-11-20 eess.SP
MobileNetV2: A lightweight classification model for home-based sleep apnea screening
School of Medicine, Shenzhen University(深圳大学医学院);Witleaf Medical Electronics Co.(维leaf医疗电子公司)
本文提出基于MobileNetV2的轻量级模型,融合ECG与呼吸信号进行家庭OSA筛查,在多个公开数据库上取得高精度检测结果,验证了其便携化应用潜力。
2025-01-03 cs.AI cs.LG eess.SP
Deep Learning-based Automated Diagnosis of Obstructive Sleep Apnea and Sleep Stage Classification in Children Using Millimeter-wave Radar and Pulse Oximeter
本研究验证了基于毫米波雷达的QSA600设备结合深度学习模型在儿童OSA诊断和睡眠分期中与多导睡眠监测高度一致,且设备便携低负荷,适合长期儿童睡眠评估。
2024-10-01 eess.SP
Automatic scoring of apnea and hypopnea events using blood oxygen saturation signals
阻塞性睡眠呼吸暂停低通气(OSAH)综合征是一种非常常见且经常无法诊断的睡眠障碍。其特征在于睡眠时上气道部分(呼吸不足)或全部(呼吸暂停)阻塞的重复事件。本研究利用先前开发的称为DAS-KSVD的方法进行多类结构化字典学习,仅使用血氧饱和度信号自动检测呼吸暂停和呼吸不足的个体事件。该方法使用了一种组合判别测度,该测度能够有效地量化字典中每个原子的可判别程度。应用DAS-KSVD从睡眠心脏健康研究数据库获得的信号中检测和分类呼吸暂停和呼吸不足事件。对于中重度OSAH筛查,结果的受试者工作特征曲线分析显示曲线下面积为0.957,诊断灵敏度和特异性分别为87.56%和88.32%。与大多数最先进的手术相比,这些结果代表了改进。因此,该方法可以用于筛选OSAH综合征更可靠和方便,仅使用脉搏血氧仪。
2020-03-24 cs.CY eess.SP
Continuous SpO2 Monitoring Using Reflectance Pulse Oximetry at the Wrist and Upper Arm During Overnight Sleep Apnea Recordings
本研究评估了可穿戴反射式脉搏血氧仪在睡眠期间连续监测SpO2的准确性,通过134名疑似睡眠呼吸暂停患者的整夜监测数据,发现上臂测量(误差1.9%)优于腕部(误差3.2%),满足临床标准。
2025-05-27 eess.SP
Deep Neural Networks with Weighted Averaged Overnight Airflow Features for Sleep Apnea-Hypopnea Severity Classification
深度学习(DL)方法及其在生物医学应用中的能力的急剧提高使我们探索使用DL进行睡眠呼吸暂停低通气严重程度分类的优势。为了降低使用多导睡眠图(PSG)的临床诊断的复杂性,这是多个传感平台,我们将我们提出的DL方案合并到一个单一的气流(AF)传感信号(PSG的子集)。在两项研究中,从AF中提取了17个特征,然后输入深度神经网络进行分类。首先,我们提出了一个二元分类,使用截止指数在AHI = 5,15和30事件/小时。第二,提出了多重睡眠呼吸暂停低通气综合征(SAHS)严重程度分类,将患者分为无SAHS、轻度SAHS、中度SAHS和重度SAHS 4组。对于方法评价,我们使用了比相关工作更多的患者数量,以适应更多的多样性,其中包括从MrOS睡眠研究(访视2)数据库中获得的520个AF记录。然后,我们应用10倍交叉验证技术,以获得准确性,灵敏度和特异性。此外,我们比较了我们的主要分类器的结果与其他两种方法,这是在以前的研究中使用的,包括支持向量机(SVM)和Adaboost-Classification and Regression Trees(AB-CART)。从二进制分类,我们提出的方法提供了显着更高的性能比其他两种方法的准确率分别为83.46%,85.39%和92.69%,在每个截止。对于多类分类,它也返回了所有方法中最高的准确率,为63.70%。
2018-08-31 eess.SP physics.med-ph
Augmenting Physiological Time Series Data: A Case Study for Sleep Apnea Detection
University of Oslo(奥斯陆大学);National University of Singapore(新加坡国立大学)
在健康领域的有监督机器学习应用经常面临训练数据集不足的问题。由于隐私问题以及医学专家进行数据采集和标记的成本,标记数据的数量很少。此外,收集的数据不平衡是很常见的,并且获得足够的数据来为个人个性化模型是非常昂贵的,甚至是不可行的。本文通过以下方式解决这些问题:(1)设计一个递归生成对抗网络来生成真实的合成数据并增强原始数据集;(2)基于严重不平衡的数据集生成平衡数据集;(3)以生成的数据类似于来自特定个体的数据的方式控制数据生成。我们将这些解决方案应用于睡眠呼吸暂停检测,并在评估四种众所周知的技术的性能时进行研究,即,K最近邻、随机森林、多层感知器和支持向量机。所有分类器在实验中表现出一致的灵敏度增加和kappa统计增加0.007和0.182之间。
2019-05-22 cs.LG eess.SP stat.ML
Automatic Home-based Screening of Obstructive Sleep Apnea Using Single Channel Electrocardiogram and SPO2 Signals
Khorasan Institute of Higher Education(呼罗珊高等教育学院)
阻塞性睡眠呼吸暂停(OSA)是当今最普遍的呼吸系统疾病之一。睡眠时由于上呼吸道下沉导致的完全或相对呼吸停止是阻塞性睡眠呼吸暂停。它已被证实对Covid-19住院和死亡率有潜在影响,并与严重Covid-19感染的主要合并症密切相关。未确诊的OSA也可能导致各种严重的身体和精神副作用。为了对OSA的严重程度进行评分,根据定义的协议和标准进行夜间睡眠监测,称为多导睡眠图(PSG)。这种方法耗时,昂贵,需要专业的睡眠技术人员。OSA的自动家庭检测是受欢迎的,需求量很大。这是一种快速有效的方法,可以将OSA嫌疑人转介到睡眠诊所进行进一步监测。在线OSA检测也可以是OSA治疗/辅助设备的闭环自动控制的一部分。本文介绍了几种在线OSA检测的解决方案,并在三个不同数据库的155名受试者上进行了测试。最佳组合解决方案使用互信息(MI)分析从基于ECG和SpO 2的特征中选出。采用监督和无监督机器学习的几种方法来检测呼吸暂停发作。为了达到最佳的性能,最成功的分类器在四个不同的三元组合方法使用。所提出的配置利用有限的生物信号的使用,具有在线工作方案,并表现出一致的和可接受的性能(超过85%),在所有采用的数据库。在以前公布的方法中,这些好处还没有全部集中在一起。
2021-12-17 cs.HC cs.LG eess.SP
A Multimodal Dataset of 21,412 Recorded Nights for Sleep and Respiratory Research
Weizmann Institute of Science(魏茨曼科学研究所)
本研究构建了一个包含21,412个夜晚、来自7,077名参与者的多模态睡眠数据集,提供原始信号、事件和447项特征,并验证了其在健康预测和睡眠研究中的价值。
2023-11-15 cs.LG eess.SP
MPCNN: A Novel Matrix Profile Approach for CNN-based Sleep Apnea Classification
VinUniversity(文礼大学);VinUni-Illinois Smart Health Center(文礼-伊利诺伊智能健康中心);College of Engineering and Computer Science, VinUniversity(文礼大学工程与计算机科学学院)
针对传统ECG特征无法捕获完整PQRST波群信息的问题,提出基于Matrix Profile距离分布的MPCNN特征提取方法,结合CNN模型在PhysioNet数据集上实现了100%的逐记录准确率,提升了轻量级模型在物联网设备上的SA检测性能。
2023-11-25 cs.AI cs.LG eess.SP
Obstructive Sleep Apnea Characterization: A Multimodal Cross-Recurrence-Based Approach for Investigating Atrial Fibrillation
本研究提出一种基于多模态交叉递归特征的方法评估阻塞性睡眠呼吸暂停严重程度,通过分析血氧、脉搏到达时间与心跳间隔关系,发现其比传统指数更有效区分心律问题,可作为临床补充诊断工具。
2025-04-30 eess.SP physics.med-ph
Detection of Sleep Oxygen Desaturations from Electroencephalogram Signals
Khoury College of Computer Sciences(科里计算机科学学院);Northeastern University(东北大学)
本研究利用机器学习技术,仅从患有睡眠呼吸暂停的儿科患者的脑电信号中识别氧饱和度下降的潜在生物标志物,分类平均平衡准确率达66.8%,表明EEG数据中存在氧饱和度下降的潜在生物标志物。
2024-05-08 cs.LG eess.SP
FENet: A Frequency Extraction Network for Obstructive Sleep Apnea Detection
阻塞性睡眠呼吸暂停(Obstructive sleep Apnea,OSA)是一种严重危害人类健康的常见疾病。多导睡眠图(PSG)是检测OSA的黄金标准,需要多个专门的传感器来收集信号,因此患者必须亲自去医院,并承担单次检测的昂贵治疗。最近,已经提出了许多单传感器替代方案,以提高成本效率和方便性。在这些方法中,基于RR间隔(即,两个连续脉冲之间的间隔)信号在舒适性、便携性和检测精度之间达到令人满意的平衡。在本文中,我们提出了RR间隔的OSA检测考虑其现实世界的实用性,从能源的角度来看。由于光电体积描记图(PPG)脉搏传感器通常配备在智能腕戴式可穿戴设备(例如,智能手表和腕带),检测模型的能效对于完全支持对患者的过夜观察至关重要。这带来了挑战,因为PPG传感器由于智能腕戴式设备上有限的电池容量而无法保持收集连续信号。因此,我们提出了一种新的频率提取网络(FENet),它可以从输入的RR间期信号的不同频段提取特征,并产生连续的检测结果与下采样,不连续的RR间期信号。在一对多结构的帮助下,FENet只需要PPG传感器运行时间的三分之一,从而大幅降低了能耗,并实现了夜间诊断。在真实OSA数据集上的实验结果显示了FENet的最新性能。
2021-01-08 cs.HC eess.SP
Sleep Apnea and Respiratory Anomaly Detection from a Wearable Band and Oxygen Saturation
Massachusetts General Hospital(麻省总医院);University of Zurich(苏黎世大学);Washington University School of Medicine in St. Louis(圣路易斯华盛顿大学医学院);MyAir Inc(MyAir公司);Beth Israel Deaconess Medical Center(贝斯以色列女执事医疗中心)
目的:睡眠相关的呼吸异常通常使用多导睡眠图检测。在普通医学和重症监护中需要一种更方便的方法来从简单、易于佩戴的设备自动检测睡眠呼吸暂停。其目的是自动检测异常呼吸并使用可穿戴呼吸设备估计呼吸暂停低通气指数(AHI),与SpO 2信号或多导睡眠图相比,使用大型(n = 412)数据集作为基础事实。研究方法:同时记录的多导睡眠图(PSG)和可穿戴式呼吸努力数据用于交叉验证方式的训练和评估模型。提取时间域和复杂度特征,识别重要特征,并采用随机森林模型进行事件检测和预测。训练了四个模型:一个仅使用呼吸特征,一个仅使用SpO 2(%)信号特征,另外两个使用呼吸特征和SpO 2(%)特征的模型,其中一个允许两个信号之间有30秒的时滞。结果如下:基于事件的分类导致分别使用呼吸和SpO 2、仅呼吸和仅SpO 2的模型的受试者操作特征曲线下面积为0.94、0.86、0.82,精确度-召回率曲线下面积为0.48、0.32、0.51。专家标记和预测AHI之间的相关性分别为0.96,0.78和0.93。结论:可穿戴呼吸努力信号与或不SpO 2预测AHI准确。考虑到大数据集和严格的测试设计,我们希望我们的模型可推广到评估各种环境中的呼吸,例如在家中和重症监护中。
2021-02-24 cs.LG eess.SP
Simultaneous Polysomnography and Cardiotocography Reveal Temporal Correlation Between Maternal Obstructive Sleep Apnea and Fetal Hypoxia
Shandong medical and pharmaceutical university hospital(山东医药大学医院);National Institute of Health Data Science, Peking University(北京大学健康数据科学国家研究院);Institute of Medical Technology, Peking University Health Science Center(北京大学医学部医疗技术研究所);Saw Swee Hock School of Public Health, National University of Singapore(新加坡国立大学李光前公共卫生学院);Department of Obstetrics and Gynecology, Peking University People’s Hospital(北京大学人民医院妇产科);Division of Sleep Medicine, Peking University People’s Hospital(北京大学人民医院睡眠医学分部)
该研究利用同步PSG与CTG数据分析118名孕妇,发现母体OSAS相关缺氧与FHR变化显著相关,为母胎交互作用及相关干预提供了依据。
2026-08-03 eess.SP
A Structured Learning Approach with Neural Conditional Random Fields for Sleep Staging
University of Minnesota(明尼苏达大学);Nanyang Technological University(南洋理工大学);Fairview Health(费尔维尤医疗)
睡眠在人类健康中起着至关重要的作用,无论是精神还是身体。随着肥胖等因素的迅速增加,睡眠呼吸暂停等睡眠障碍的患病率正在上升。睡眠呼吸暂停是最常见的治疗与持续正压通气(CPAP)治疗。然而,目前还没有机制来监测患者在CPAP下的进展。从CPAP流量信号中准确检测睡眠阶段对于这种机制至关重要。我们首次提出了一种仅基于流量信号的自动睡眠分期模型。深度神经网络最近通过消除手工特征,在睡眠分期方面表现出了很高的准确性。然而,这些方法只关注从输入信号中提取信息特征,而不太关注输出序列中睡眠阶段的动态。我们提出了一个端到端的框架,该框架使用深度卷积和递归神经网络的组合来从原始流量信号中提取高级特征,并基于条件随机场的结构化输出层来对睡眠阶段的时间过渡结构进行建模。我们使用我们的模型将以前的方法改进了10%,可以扩展到以前的睡眠分期深度学习方法。我们还表明,我们的方法可用于准确跟踪睡眠指标,如从睡眠阶段计算的睡眠效率,可用于监测CPAP治疗对睡眠呼吸暂停患者的反应。除了技术上的贡献,我们希望这项研究能激发睡眠科学的新研究问题。
2018-10-28 cs.LG eess.SP stat.ML
Classification of Infant Sleep/Wake States: Cross-Attention among Large Scale Pretrained Transformer Networks using Audio, ECG, and IMU Data
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Beckman Institute for Advanced Science and Technology(贝克曼高级科学技术研究院);Worcester Polytechnic Institute(伍斯特理工学院)
本研究使用多模态可穿戴设备LittleBeats收集婴儿音频、ECG和IMU数据,提出一种三分支大规模Transformer神经网络,通过独立预训练与交叉注意力融合微调,显著提升了睡眠/清醒分类准确率至0.880,并拓展了婴儿行为研究的未来方向。
2023-06-27 cs.MM cs.SD eess.AS
Validation of a new, minimally-invasive, software smartphone device to predict sleep apnea and its severity: transversal study
Université Paris Cité(巴黎西岱大学);APHP, Hôpital Bichat(巴黎公共医疗救助机构,比沙医院);Mitral (Apneal)(Mitral(Apneal)公司);Université Paris-Est(巴黎东大学);APHP, Hôpital Henri Mondor(巴黎公共医疗救助机构,亨利·蒙多尔医院);APHP, Mondor University Hospitals(巴黎公共医疗救助机构,蒙多尔大学医院);Université Paris Est Créteil(巴黎东克雷泰伊大学);Centre ChronoS, GHU Paris - Psychiatry & Neurosciences(巴黎精神病学与神经科学大学医院集团,ChronoS中心);APHP, Hôpital Bichat Claude Bernard(巴黎公共医疗救助机构,比沙-克洛德·贝尔纳医院);CEREMADE, CNRS-UMR 7534, Université Paris-Dauphine PSL(巴黎第九大学PSL,CEREMADE,法国国家科学研究中心UMR 7534);Digital Medical Hub SAS, Assistance Publique Hôpitaux de Paris AP-HP(巴黎公共医疗救助机构,数字医疗中心SAS)
本研究评估了智能手机应用 Apneal 结合深度学习模型预测睡眠呼吸暂停及其严重程度的性能,证明其人工与自动评分均具较高准确性,为增加诊断率提供了有前景的替代方案。
2024-06-20 cs.CL eess.SP
Automatic Sleep Scoring from Large-scale Multi-channel Pediatric EEG
University of California Los Angeles(加州大学洛杉矶分校);Philips Research(飞利浦研究院)
睡眠对婴儿、儿童和青少年的健康尤为重要,睡眠评分是准确诊断和治疗可能危及生命的疾病的第一步。但是,与健康机器学习背景下的成人睡眠相比,儿科睡眠研究严重不足,为成人开发的睡眠评分算法通常在婴儿身上表现不佳。在这里,我们介绍了在标准临床护理期间收集的最近大规模儿科睡眠研究数据集的第一个自动睡眠评分结果。我们开发了一个基于transformer的模型,该模型可以学习从数百万个多通道脑电图(EEG)睡眠时期中分类五个睡眠阶段,总体准确率为78%。此外,我们进行了深入的分析模型的性能的基础上,患者的人口统计和EEG通道。这些结果表明,对儿科睡眠的机器学习研究的需求日益增长。
2022-10-26 cs.LG eess.SP
Computational Challenges in Non-parametric Prediction of Bradycardia in Preterm Infants
怀孕37周之前出生的婴儿被认为是早产。通常情况下,早产儿必须严格监测,因为他们非常容易出现健康问题,如低氧血症(低血氧水平),呼吸暂停,呼吸问题,心脏问题,神经问题以及长期健康问题的机会增加,如脑瘫,哮喘和婴儿猝死综合征。早产儿的主要健康并发症之一是心动过缓-其定义为心率低于预期,通常低于每分钟60次。心动过缓通常伴有低氧水平,并可能导致早产儿额外的长期健康问题。实施的非参数方法来预测心动过缓的发作。该方法假设没有数据的先验知识,并使用核密度估计来预测心动过缓事件的未来发作。对数据进行预处理,然后进行分析以检测ECG信号中的峰值,然后实现不同的内核以估计数据的共享底层分布。算法的性能评估使用各种指标和计算的挑战和方法来克服它们也进行了讨论。据观察,所使用的内核的算法的性能是一致的内核的理论性能,如在以前的工作。在这项工作中,理论方法也实现了自动化,并解决了各种实施挑战。
2020-11-17 eess.SP
Digital biomarkers and artificial intelligence for mass diagnosis of atrial fibrillation in a population sample at risk of sleep disordered breathing
房颤(AF)是最常见的心律失常,与中风风险增加五倍相关。许多AF患者未被发现。这些人通常没有症状。关于是否推荐对AF进行大规模筛查的争论正在进行中。然而,对特定的高危人群进行筛查是有动机的,例如疑似睡眠呼吸障碍的个体,其中AF和阻塞性睡眠呼吸暂停(OSA)之间的重要关联已被证明。我们介绍了一种利用数字生物标志物和人工智能(AI)最新进展的新方法,用于大规模AF诊断。我们证明了这种方法的价值,在一个大的人群样本的睡眠呼吸障碍的风险。使用了4个数据库,共计n= 3,088例患者和p= 26,913小时的ECG原始数据。其中三个数据库(n=125,p= 2,513)用于训练机器学习模型,以从心跳间隔时间序列中识别AF事件。睡眠心脏健康研究数据库(SHHS 1,n= 2,963,p= 24,400)的第1次访视包括过夜多导睡眠图(PSG)记录,并被视为测试集。在SHHS 1中,专家检查共确定了70例具有显著AF节律的患者。SHHS 1的模型预测结果显示,在对有无明显AF的个体进行分类时,总的Se= 0.97,Sp = 0.99,NPV = 0.99,PPV =0.67。对于呼吸暂停低通气指数(AHI)> 15的个体,PPV不劣于(p=0.03)AHI < 15的个体。在SHHS中,超过22%的正确识别的显著AF心律病例未记录为AF 1。具有显著AF的个体可以从过夜单通道ECG记录中自动诊断…
2020-07-29 eess.SP
SleepPPG-Net: a deep learning algorithm for robust sleep staging from continuous photoplethysmography
Technion-Israel Institute of Technology(以色列理工学院);University of Cambridge(剑桥大学);University of London(伦敦大学);Mines ParisTech - PSL University(巴黎国立高等矿业学校-巴黎文理研究大学)
简介:睡眠分期是诊断睡眠障碍和管理睡眠健康的重要组成部分。它传统上是在临床环境中测量的,需要劳动密集型的标签过程。我们假设有可能使用原始光电体积描记(PPG)时间序列和深度学习(DL)的现代进展来执行稳健的4级睡眠分期。方法:我们使用了两个公开的睡眠数据库,其中包括原始PPG记录,共计2,374名患者和23,055小时。我们开发了SleepPPG-Net,这是一种根据原始PPG时间序列进行4级睡眠分期的DL模型。SleepPPG-Net经过端到端训练,由用于自动特征提取的残差卷积网络和用于捕获长距离上下文信息的时间卷积网络组成。我们将SleepPPG-Net的性能与基于最佳报告的最先进(SOTA)算法的模型进行了基准测试。结果如下:当以保留测试集为基准时,SleepPPG-Net获得的科恩Kappa($κ$)评分中位数为0.75,而最佳SOTA方法为0.69。SleepPPG-Net对外部数据库表现出良好的泛化性能,在迁移学习后获得了0.74的$κ$分数。观点:总体而言,SleepPPG-Net提供了新的SOTA性能。此外,性能足够高,为开发满足阻塞性睡眠呼吸暂停诊断和监测等临床应用要求的可穿戴设备开辟了道路。
2022-04-29 cs.LG eess.SP
MSED: a multi-modal sleep event detection model for clinical sleep analysis
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学);University Hospital of Copenhagen(哥本哈根大学医院)
临床睡眠分析需要人工分析睡眠模式,以正确诊断睡眠障碍。然而,几项研究表明,临床相关的离散睡眠事件,如觉醒,腿部运动,睡眠呼吸障碍(呼吸暂停和呼吸不足)的手动评分显着的变化。我们研究了自动方法是否可以用于事件检测,以及在所有事件上训练的模型(联合模型)是否比相应的特定于事件的模型(单事件模型)表现更好。我们在1653个单独的记录上训练了一个深度神经网络事件检测模型,并在1000个单独的保留记录上测试了优化模型。对于觉醒、腿部运动和睡眠呼吸障碍,优化的联合检测模型的F1评分分别为0.70、0.63和0.62,而优化的单事件模型的F1评分分别为0.65、0.61和0.60。根据检测到的事件计算的指数值与手动注释呈正相关(分别为$r^2$ = 0.73、$r^2$ = 0.77、$r^2$ = 0.78)。我们还根据时间差异度量量化了模型的准确性,与单事件模型相比,使用联合模型整体上有所提高。我们的自动模型联合检测觉醒,腿部运动和睡眠呼吸障碍事件与人类注释高度相关。最后,我们对以前最先进的多事件检测模型进行了基准测试,发现尽管模型大小减少了97.5%,但我们提出的模型的F1分数总体增加。训练和推断的源代码可在https://github.com/neergaard/msed.git上获得。
2023-03-05 cs.CV cs.LG eess.SP
Multi-task deep-learning for sleep event detection and stage classification
CITIC Research Center(CITIC研究中心);Universidade da Coruña(科鲁纳大学)
本文提出一种多任务深度学习方法,通过单次处理同时检测睡眠事件和构建睡眠图,在两个独立数据集上验证了其准确性和泛化能力。
2025-01-16 cs.LG eess.SP
The Breakthrough of Sleep: A Contactless Approach for Accurate Sleep Stage Detection Using the Sleepal AI Lamp
Hong Kong Xsmart Century Technology Co., Ltd.(香港Xsmart世纪科技有限公司);Urban Mobility Lab, Massachusetts Institute of Technology(城市移动实验室,麻省理工学院);Singapore-MIT Alliance for Research and Technology (SMART) Centre(新加坡-麻省理工联盟研究技术中心);Department of Respiratory and Critical Care Medicine, Binzhou Medical University Hospital(呼吸与危重症医学科,滨州医学院医院);Interdisciplinary Center of Sleep Medicine, Charité – Universitätsmedizin Berlin(睡眠医学跨学科中心,夏里特-柏林大学医学中心)
本文提出了一种基于雷达的无接触睡眠监测方法,通过多尺度呼吸和运动特征训练深度学习模型,实现了高精度的睡眠阶段检测,验证了Sleepal AI灯在睡眠评估中的可靠性。
2026-04-07 cs.AI cs.LG eess.SP
A Review on Multisensor Data Fusion for Wearable Health Monitoring
本文综述可穿戴健康监测中的多传感器数据融合框架、分类、算法与跨领域应用,分析其优势、挑战及在多项生物医学推断任务中的前景。
2024-12-08 eess.SP
Non-contact Vital Signs Monitoring through Visible Light Sensing
本文提出了一种非接触式的生命体征(呼吸和心跳)监测系统,利用可见光传感(VLS)技术。我们首次展示了仅使用来自人类受试者的反射非相干光信号无线(非接触)感测生命体征的能力。基于VLS-based系统通过使用简单的可见光源、光电探测器和数据采集/处理单元来实现,并且与开发的信号处理算法一起使用,以将反射光功率的微小变化转化为呼吸和心率的精确测量。为了评估我们的方法的准确性,将结果与使用基于接触的监测设备(地面实况)的可靠测量结果进行了比较。与最先进的基线方法(如基于接触的生命体征监测设备)相比,在不同情况下,在包括呼吸和心跳率在内的测试结果中观察到超过94%的准确性。这些具有竞争力的结果表明,基于VLS的生命体征监测创新确实是一种可行、强大、有吸引力、低成本和安全的方法。这项研究代表了对传统的非接触式生命体征监测方法(例如,基于射频的雷达和基于成像的相机),并准备在这一领域做出巨大贡献。由于生命体征监测是医学中无处不在的元素,因此这项工作也将影响整个医疗保健社区,从家中的患者到医生办公室,再到大型医疗机构和行业。该技术有潜力解决生命体征是关键指标的多种情况和情况,例如睡眠呼吸暂停和人机交互应用。
2019-12-14 eess.SP
Automated Polysomnography Analysis for Detection of Non-Apneic and Non-Hypopneic Arousals using Feature Engineering and a Bidirectional LSTM Network
Aalto University(阿尔托大学);Tampere University(坦佩雷大学);Northwestern University(西北大学)
目的:本研究的目的是开发一种多导睡眠图(PSG)记录的自动分类算法,以检测非呼吸暂停和非低通气觉醒。我们特别关注的是检测呼吸努力相关的觉醒(RERA),这是非常微妙的呼吸事件,不符合呼吸暂停或呼吸不足的标准,更具有挑战性的检测。研究方法:该算法基于双向长短期记忆(BiLSTM)分类器和465个多域特征,从多模态临床时间序列中提取。这些特征由一组生理启发特征(n = 75)和一组生理不可知特征(n = 390)组成,其中生理启发特征是通过多个特征选择和专家分析步骤获得的,而生理不可知特征是通过散射变换获得的。结果:所提出的算法在2018年PhysioNet挑战数据集上得到了验证。在隐藏测试数据集上,精确率-召回率曲线下面积(AUPRC)的整体性能为0.50。这一成绩与2018年PhysioNet挑战赛后续和正式阶段的第二好成绩并列。结论:结果表明,它是可以自动检测微妙的非呼吸暂停/非低通气觉醒事件从PSG记录。重要性:自动检测细微的呼吸事件,如RERA以及其他非呼吸暂停/非呼吸不足觉醒,将允许对大型PSG数据库进行详细注释。这有助于对睡眠数据进行更好的回顾性分析,这也可能提高治疗质量。
2019-09-06 cs.LG eess.SP stat.ML