深いCNN-LSTMモデルを使用した閉塞性睡眠時無呼吸イベントの自動検出

閉塞性睡眠時無呼吸（OSA）は、一般的な睡眠関連の呼吸器障害です。世界中で、ますます多くの人々がOSAに苦しんでいます。モニター機器の制限のため、OSAの多くの人々は検出されないままです。したがって、ポータブルOSAモニターデバイスで使用できる畳み込みニューラルネットワーク（CNN）を使用した単一チャネル心電図に基づく睡眠監視モデルを提案します。さまざまなスケール機能を学習するために、最初の畳み込み層は3種類のフィルターで構成されています。長期的な記憶（LSTM）は、OSA遷移規則などの長期的な依存関係を学習するために使用されます。SoftMax関数は、最終的な完全に接続されたレイヤーに接続されており、最終決定を取得します。完全なOSAイベントを検出するために、生のECG信号は10秒のオーバーラップスライドウィンドウによってセグメント化されます。提案されたモデルは、セグメント化された生の信号でトレーニングされ、その後、イベント検出パフォーマンスを評価するためにテストされます。実験分析によると、提案されたモデルは、コーエンのカッパ係数0.92、96.1％の感度、96.2％の特異性、およびApnea-ECGデータセットに対する96.1％の精度を示しています。提案されたモデルは、ベースライン法の結果よりも大幅に高くなっています。結果は、私たちのアプローチが、単一リードECGに基づいてOSAを検出するための有用なツールになる可能性があることを証明しています。

Obstructive sleep apnea (OSA) is a common sleep-related respiratory disorder. Around the world, more and more people are suffering from OSA. Because of the limitation of monitor equipment, many people with OSA remain undetected. Therefore, we propose a sleep-monitoring model based on single-channel electrocardiogram using a convolutional neural network (CNN), which can be used in portable OSA monitor devices. To learn different scale features, the first convolution layer comprises three types of filters. The long short-term memory (LSTM) is used to learn the long-term dependencies such as the OSA transition rules. The softmax function is connected to the final fully connected layer to obtain the final decision. To detect a complete OSA event, the raw ECG signals are segmented by a 10 s overlapping sliding window. The proposed model is trained with the segmented raw signals and is subsequently tested to evaluate its event detection performance. According to experiment analysis, the proposed model exhibits Cohen's kappa coefficient of 0.92, a sensitivity of 96.1%, a specificity of 96.2%, and an accuracy of 96.1% with respect to the Apnea-ECG dataset. The proposed model is significantly higher than the results from the baseline method. The results prove that our approach could be a useful tool for detecting OSA on the basis of a single-lead ECG.