31、利用混合卷积神经网络高效预测阻塞性睡眠呼吸暂停

利用混合卷积神经网络高效预测阻塞性睡眠呼吸暂停

1 引言

阻塞性睡眠呼吸暂停（OSA）是一种严重的睡眠障碍，表现为睡眠期间呼吸中断，导致大脑和身体氧气供应不足。睡眠呼吸暂停会使上呼吸道在睡眠时变窄或阻塞，限制气流，减少大脑的血液循环，进而触发大脑唤醒身体进行呼吸，常伴有大声喘息、窒息或打鼾声。正常呼吸恢复后，大脑又会重新进入睡眠，如此循环。

现有的睡眠呼吸暂停检测方法在处理心电图（ECG）信号时面临诸多挑战。ECG信号易受电源线噪声、肌肉噪声和电极接触噪声的干扰，导致R波峰检测困难。准确识别ECG信号中P波、T波的峰值以及QRS波群的偏差也具有很大挑战。此外，ECG信号处理的复杂性，如频谱定位、移位敏感性和相位信息等，使得现有分析可能遗漏信号收缩异常的细微细节。而且，先前的睡眠呼吸暂停情况会影响当前检测，ECG信号处理还需要额外的归一化修正。

因此，本研究的重点是解决上述挑战，实现ECG信号QRS波群中R波峰的有效检测，并通过时间窗口分析ECG信号，高效检测睡眠呼吸暂停。

2 文献综述

2.1 RR间隔和EDR信号

RR间隔和心电图衍生呼吸（EDR）信号可能为OSA的发展提供重要线索。通过预处理方法从原始ECG中提取RR间隔和EDR信号，RR间隔是QRS波群连续峰值之间的时间间隔，反映心跳周期长度。使用BIOSIG工具箱的外部模块来查找QRS波峰，但该工具使用的心跳周期较长，在短间隔分析中有效，但长间隔分析时可能因等待时间过长而失败。

2.2 噪声过滤

生物信号中的噪声需要过滤，同时保留有用信息。ECG信号的QRS波群对噪声过滤有显著影响，常产生不必要的大脉冲。基于RR