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，这是由于大脑和身体得不到充足氧气供应所致。睡眠呼吸暂停会导致气流受限，因为睡眠时上呼吸道会被挤压或变窄。短时间内，呼吸暂停会使空气无法顺利通过阻塞部位，减少大脑的血液循环，从而触发大脑唤醒身体进行呼吸，常伴有大声喘息、呛咳或打鼾声。恢复正常呼吸后，大脑又会重新进入睡眠状态，如此循环。

目前，处理心电图（ECG）信号片段以检测睡眠呼吸暂停，并计算QRS波中的R峰与心血管疾病的关联时，现有方法面临诸多挑战。ECG信号常受到电源线噪声、肌肉噪声和电极接触噪声的干扰，难以准确检测R峰。准确识别ECG信号中P波、T波的峰值以及QRS复合波的偏差也极具挑战，信号处理在频谱定位、移位敏感性和相位信息等方面较为复杂，还可能遗漏信号收缩异常的细微细节。此外，ECG片段中先前的睡眠呼吸暂停会影响当前的睡眠呼吸暂停，信号处理需要额外的归一化修正。因此，本研究旨在解决上述挑战，高效分析ECG信号以检测睡眠呼吸暂停。

2. 文献综述

RR间期和ECG衍生呼吸（EDR）信号可能为OSA的发展提供重要线索。现有研究通过预处理方法从原始ECG中提取RR间期和EDR信号，利用QRS复合波连续峰值之间的时间间隔计算RR间期，以反映心跳周期的长度。有研究使用BIOSIG工具箱中的外部模块来查找QRS复合波的峰值，但该工具使用的心跳周期较长，在处理较短间隔时可能失败。

生物信号中的噪声需要过滤，同时保留所需信息。ECG信号的QRS复合波对噪声过滤有显著影响，常产生不必要的大脉冲。基于RR间期变化的自动分割方法可有效消除大多数误判情况。为更准确地