【论文阅读】Systematic Comparison of Respiratory Signals for the Automated Detection of Sleep Apnea

论文阅读：Systematic Comparison of Respiratory Signals for the Automated Detection of Sleep Apnea

一、摘要

对这些不同的呼吸信号及其使用机器学习自动检测睡眠呼吸暂停的预测能力进行了比较。我们不仅包括OSA，还包括CSA以及呼吸不足事件。此外，我们对在临床环境下收集的真实数据集进行了此分析，而无需进行任何手动清洁即可反映出真实的测量结果。使用三种不同的机器学习模型对呼吸信号的预测能力进行了分析和比较：人工神经网络（ANN），逻辑回归（LR）和随机森林（RF）。

二、数据

这项研究使用了从比利时Ziekenhuis Oost-Limburg的一家临床机构进行临床PSG夜间分析的23名患者收集的真实数据。这项研究是根据赫尔辛基宣言进行的，并在研究开始之前获得了伦理委员会的批准（CME ZOL，参考号：16 / 042U）。所有参与者在加入之前均提供了书面知情同意书。数据由黄金标准的PSG记录和胸部生物阻抗测量组成，由受过训练的技术人员按照AASM 关于OSA，CSA和呼吸不足的指南[5] 进行注释。在注释中，阻塞性或中枢性呼吸不足之间没有区别。

该组患者由6名女性和17名男性受试者组成，平均年龄为57.5岁（std±13.5岁）。AHI正常的3例，轻度AHI的8例，中度AHI的4例，重度AHI的8例。

PSG记录具有以200Hz记录的单导联ECG（导联I）。使用Pan-Tompkins搏动检测器[11] 从该ECG信号中提取RR间隔。从这些RR间隔中，提取瞬时心率（HR）。这些ECG，RR和HR信号随后用于通过三个常用的EDR信号扩展呼吸数据集：

EDR1：R峰幅度的三次样条插值，因为这些峰的幅度受呼吸调制。

EDR2：结合使用截止频率为0.4 Hz的低通滤波器和截止频率为0.2 Hz的高通滤波器[12] 过滤的ECG信号。两个滤波器都具有零相移。

EDR3：使用与EDR2中相同的滤波方法对HR信号进行滤波。

最后，呼吸数据集还包括生物阻抗（BioZ）信号，该信号使用置于胸部中央的小型传感器在1024Hz下测量身体的阻抗。由于阻抗记录是复数值，因此bioZ信号的大小将在后续步骤中使用。

三、方法

首先通过数据预处理过程去除噪声，然后没个30s部分都会经过特征提取阶段，在时域和频域均提取了睡眠呼吸暂停、睡眠研究和一般生物医学健康的典型区分特征。时域特征包括信号平均值，信号标准偏差，信号偏斜和信号绝对值下的面积。此外，执行峰值检测以定位呼吸峰值。然后使用这些位置添加其他特征，例如平均峰高，峰高的标准偏差和峰高的偏斜度以及峰数和平均峰间距离，峰间距离的标准偏差，峰偏度峰间距离和峰高之和。通过计算每个部分的功率谱密度（PSD）并提取峰值频率，平均频率，中心频率和频带功率来计算频域特征。
通过先前过程提取的特征用于每种呼吸信号的三种不同的机器学习模型：两层人工神经网络（ANN）模型，对数回归（LR）模型 [15] 和随机森林（RF）模型 [16] 因为这些常用于睡眠呼吸暂停和其他睡眠或医学研究 [17] 。ANN和RF模型具有内置的功能相关性检测。LR模型具有一个附加的特征选择阶段，其中选择了最重要的特征以防止过度拟合。使用贝叶斯优化（BO）优化模型的超参数，即ANN的每层中的隐藏节点数，LR的正则化参数以及RF的树数和每个拆分的最大特征数。有关BO的详细说明，请参见 [18]。。评估部分讨论了用于此优化的度量。这种超参数优化可确保利用模型的全部预测能力，并减少过度拟合的情况。为了进一步减少对ANN模型的过度拟合，基于剩余训练数据的10％进行了早期停止以进行验证。

四、结果

结果表明，OSA和CSA事件通常最容易自动检测，而呼吸不足事件则更加困难。构建一个模型以检测几种不同类型的呼吸暂停（例如OSA和CSA的组合或OSA，CSA和呼吸不足的组合）会降低模型的预测能力。这是由于事件的来源不同以及功能不同所致。由于呼吸不足注解是阻塞性和中枢性呼吸不足的组合，因此可以通过针对这两种类型的事件创建单独的模型来进行改善。
在所有呼吸暂停类型中，表现最好的信号是使用鼻插管和鼻热敏电阻直接测量呼吸。每个呼吸带也分别具有良好的性能，但是腹部和胸部呼吸的结合进入了呼吸系统。 EDR1在检测CSA方面的性能类似于直接测量。但是，在其他情况下，EDR信号的性能会大大降低。尽管文献表明性能良好，但在实际临床环境中非常容易受到噪音的影响。生物阻抗测量证明OSA和CSA以及难以检测的呼吸不足事件均具有令人鼓舞的性能。

除了不同呼吸信号的预测能力之外，还必须考虑形状因素。尽管直接测量的呼吸信号具有很高的预测能力，但它们不那么舒适，并在夜间限制了患者。另一方面，可以使用小型传感器测量EDR和生物阻抗信号，而不会给患者带来太多不适感。

这项研究代表了开发家庭监控设备的第一步。如引言中所述，完整的PSG录制不舒服，并且可能导致无法入睡的夜晚。但是，睡眠技术人员需要完整的PSG设置才能准确注释信号。在以后的步骤中，可以使用仅测量相关呼吸信号的小型不引人注目的设备来验证本研究的结果。

五、结论

眠呼吸暂停是最常见的睡眠障碍之一，由于健康风险可能很严重，因此检测很重要。但是，床铺和受过训练的人员有限。在这项工作中，我们调查并比较了呼吸信号的预测能力，以快速向完整PSG中受过训练的人员指示感兴趣的部分，或筛查在家中潜在的患者。结果表明，典型的PSG信号具有最大的预测能力。但是，尽管由于几种类型的噪声的影响，预测能力大大降低，但也可以使用来自干扰较小的传感器（例如心电图衍生的呼吸）的信号。生物阻抗信号仅由放置在患者胸部的小型传感器组成，显示出令人鼓舞的性能。