ApneaWhisper：基于Transformer的音频分割模型在非侵入性睡眠呼吸暂停细粒度检测中的突破与应用

本研究提出ApneaWhisper，一种基于Transformer的音频分割模型，利用预训练的Whisper编码器从多导睡眠图（PSG）音频数据中提取高分辨率特征，实现了对阻塞性睡眠呼吸暂停（OSA）、中枢性睡眠呼吸暂停（CSA）、混合性睡眠呼吸暂停（MSA）和低通气（Hypopnea）的精确检测与分类。该模型在帧级和片段级任务中均显著优于传统基线方法（如MFCC+DNN、VGGish+biLSTM），其细粒度时间分辨率为呼吸暂停低通气指数（AHI）估算和个性化治疗规划提供了重要技术支持，为非侵入性家庭睡眠监测开辟了新途径。

　　

引言

睡眠呼吸暂停是一种全球范围内广泛存在的睡眠障碍，据估计影响约9.36亿30至69岁的成年人。该疾病显著增加高血压、卒中、心肌梗死和神经认知障碍等严重共病的风险。阻塞性睡眠呼吸暂停（OSA）作为最常见的亚型，其特征是上气道反复塌陷，表现为明显的声学模式，如大声打鼾、喘息和窒息声，这使得通过音频信号检测该病症成为可能。

尽管其流行率和严重的健康影响，睡眠呼吸暂停的诊断率仍然极低，估计在某些地区80–90%的患者未被确诊。临床金标准——夜间多导睡眠图（PSG）——存在显著的 logistical 和经济障碍，在美国的费用从1000美元到超过10,000美元不等，且通常需要长时间等待和患者不适。这些限制推动了对非侵入性、更易获取和成本效益更高的家庭筛查方法的迫切需求。

针对睡眠呼吸声音的定向分析已成为非侵入性睡眠呼吸暂停检测的一个有前景的途径，得益于传感器技术和大规模音频数据收集的进步。值得注意的是，在气管处捕获的呼吸声音密切反映呼吸暂停事件，为其识别提供了独特而敏感的声学特征。基于这一见解，PSG-Audio数据集提供了一个独特的资源，具有临床详细的、时间同步的呼吸事件注释，并与高质量的气管和房间音频录音配对。这种双通道设计不仅能够精确描述呼吸暂停事件，还支持不同声学视角之间的稳健比较。

早期研究依赖于从鼾声或呼吸声音中提取的手工特征——如梅尔频率倒谱系数（MFCCs）、线性预测系数（LPCs）、频谱通量、过零率、音高、子带能量、抖动、微扰和谐波噪声比（HNR）——并采用传统的机器学习模型，包括支持向量机（SVMs）、高斯混合模型（GMMs）和隐马尔可夫模型（HMMs）来分类睡眠 disordered breathing 事件或估计PSG衍生的指标。然而，这些方法通常泛化能力有限，并且对无约束家庭环境中的环境噪声高度敏感。最近，基于深度学习的方法日益突出，能够通过卷积神经网络（CNNs）、循环神经网络（RNNs）和长短期记忆（LSTM）网络等架构从原始音频或频谱图中进行端到端特征学习，其中混合框架——例如VGGish与双向LSTMs结合——也被探索用于睡眠声音的时间分类。

然而，大多数现有的用于睡眠呼吸暂停检测的深度学习方法主要操作在粗糙的时间窗口（例如20-30秒片段）上，降低了它们对细粒度时间模式分析或精确事件 delineation 的临床效用。此外，许多模型要么将所有呼吸暂停类型分类为单一的“呼吸暂停”类别，要么难以有效区分非阻塞性呼吸暂停亚型，例如中枢性睡眠呼吸暂停（CSA）和混合性睡眠呼吸暂停（MSA），这些亚型与OSA的响亮、特征性声音相比，通常具有更 subtle 或模糊的声学特征。这种困难的出现是因为CSA通常缺乏强烈的声学标记，如打鼾或喘息，因为它源于呼吸努力的缺乏，而MSA则呈现一种模糊的混合声学特征，结合了中枢性和阻塞性特征。这些限制降低了准确计算呼吸暂停低通气指数（AHI）和定制治疗计划所需的粒度。

自监督学习（SSL）和Transformer架构的最新进展为解决这些差距提供了前所未有的机会。SSL模型，如Wav2Vec 2.0和HuBERT，从大量未标记的音频数据中学习强大的、上下文丰富的表示，使其在下游任务中非常有效，尤其是在标记数据稀缺的情况下，这在医学领域经常发生。Whisper模型在68万小时多样化的标记音频数据上进行预训练，用于语音识别，已表现出对噪声的显著鲁棒性和跨各种声学环境的泛化能力。Transformer架构凭借其注意力机制，擅长建模序列数据中的长程依赖关系，实现精确的时间定位和比传统CNN-RNN混合模型更细致的事件分类。虽然这些先进的SSL模型直接用于仅音频的睡眠呼吸暂停检测的具体应用仍在涌现，但它们在相关音频处理任务中的成功使它们极具前景。基于此能力，WhisperSeg框架 adapts Whisper用于细粒度语音活动检测，实现帧级时间定位。

在本研究中，我们介绍了ApneaWhisper，一种专为睡眠呼吸暂停检测设计的细粒度音频分割模型。ApneaWhisper建立在Whisper架构之上，继承了其优势，同时被明确配置为以10毫秒分辨率识别和时间定位四种主要呼吸事件类型——阻塞性呼吸暂停、中枢性呼吸暂停、混合性呼吸暂停和低通气。由于Whisper对真实世界声学 variability（包括背景噪声、重叠声音和非语音音频）的 proven 鲁棒性，ApneaWhisper特别适合在不受控制的家庭环境中分析睡眠呼吸声音。利用临床注释的PSG-Audio数据集，我们在两个任务上评估模型：1. 片段级分类：预测20秒音频片段中是否存在 disordered breathing。2. 帧级分割：以10毫秒分辨率描绘呼吸暂停和低通气事件的 onset 和 offset。

我们假设这种基于Transformer的架构，利用预训练的Whisper编码器和类平衡损失，将在检测准确性和时间精度方面优于现有方法，包括MFCC+DNN、VGGish+bi-LSTM和基于VAD的方法。我们的目标是展示该模型作为一种非侵入性、临床 grounded 工具，用于自动化睡眠呼吸暂停筛查和亚型区分的效用。这项技术特别适合集成到现代消费电子产品中，例如智能手机上的移动应用程序或智能家居设备（如智能扬声器），提供一种无缝且 accessible 的家庭监测方法。

材料与方法

数据集

我们使用了公开可用的PSG-Audio数据集，包含来自284个个体的多通道PSG信号和同步的夜间音频录音。该数据集于2008年至2011年间在希腊Ioannina睡眠障碍中心收集。每位参与者接受了完整的夜间PSG，包括脑电图（EEG）、眼电图（EOG）、肌电图（EMG）、心电图（ECG）、血氧饱和度（SpO₂）、呼吸努力（胸部和腹部带）、鼻腔气流和身体位置。同时，以48 kHz采样率捕获气管和房间音频录音。我们的分析 specifically 关注房间音频录音和由认证睡眠医师临床注释的四种呼吸事件类型：OSA、CSA、MSA和低通气。缺乏任何标记事件的音频片段被分类为正常呼吸。帧级注释以大约10毫秒（每秒100帧）的时间分辨率提供， enabling 细粒度事件定位。与先前由于计算限制不得不对PSG-Audio数据集进行子采样的研究不同，我们的基于Transformer的方法利用了具有细粒度分辨率的完整数据集。

为了准备用于训练和评估的数据，连续的夜间录音被划分为非重叠的20秒音频片段。选择此片段长度是为了平衡捕获足够上下文以进行事件识别和保持可管理计算负载。此过程总共产生228,880个片段。片段级标签根据呼吸暂停事件的存在分配：如果一个或多个事件（OSA、CSA、MSA或低通气）发生在一个片段内，则按持续时间最主导的呼吸暂停类型被指定为该片段的标签；否则，该片段被标记为正常。这些标签用于片段级分类和帧级分割任务。

数据集中的类别分布 inherently 不平衡，反映真实世界的临床流行率：正常呼吸占片段的48.6%，其次是OSA（30.0%）、低通气（11.4%）、MSA（8.1%）和CSA（1.8%）。为了确保稳健的泛化并防止受试者特异性偏差，我们采用了严格的受试者级分割，将90%的受试者分配给训练集，10%分配给测试集。此分割在所有类别上进行分层，以在两组中保持近似的类别比例，进一步减轻评估期间类别不平衡的影响。

ApneaWhisper架构

提出的ApneaWhisper模型扩展了WhisperSeg框架，用于睡眠 disordered breathing 的领域特定分析。它利用了预训练的Whisper编码器学习的鲁棒声学特征，该编码器最初设计用于大规模语音识别，并将其 adapts 以精确识别和时间定位睡眠音频录音中的多样化呼吸事件。

输入原始音频最初从其原生48 kHz下采样到16 kHz，以匹配预训练Whisper编码器期望的采样率。这些下采样后的连续录音然后被分割成非重叠的20秒片段。每个片段经过特征提取步骤，其中它被转换为80-bin对数梅尔频谱图。这是使用25 ms窗口长度和10 ms hop length实现的， resulting 每个片段一个80×2000特征图（80个梅尔频率bin超过2000帧，给定20秒每秒100帧）。这种表示有效地捕获了音频的频率和时间特征。

频谱图然后被馈送到一个轻量级卷积前端。该前端由两个1D卷积层组成，每个后面跟着一个GELU（高斯误差线性单元）激活函数。这些卷积层执行局部特征提取和时间压缩，有效地减少序列长度 while 保留重要的声学模式。具体地，它们作为一个“bottleneck”来下采样高分辨率频谱图，使其对于后续的Transformer编码器在计算上可行。

来自卷积前端的输出然后与正弦位置编码结合。这些编码对于Transformer架构至关重要，因为它们注入关于序列中帧的相对或绝对位置的信息，允许模型利用声学事件的时间顺序，这在自注意力机制 alone 中 inherently 丢失。

组合的表示随后通过一堆Transformer编码器块。这些块包含多头自注意力机制和前馈网络，擅长捕获音频特征中的长程时间依赖性和复杂上下文关系，远超出传统RNNs或固定大小卷积滤波器的能力。Whisper编码器的预训练权重提供了强大的初始化， enabling 从 vast 通用音频域到睡眠呼吸声音 specialized 域的有效迁移学习。

来自Transformer编码器的编码表示然后被馈送到Transformer解码器。该解码器自回归地操作，使用交叉注意力来关注编码器的输出，并使用自注意力来关注其自身先前生成的 tokens。解码器的任务是生成一个 token 序列，精确表示事件 onset 和 offset，每个与特定类别标签（OSA、CSA、MSA、低通气或正常）相关联。这种基于 token 的 formulation，从WhisperSeg adopted，是实现细粒度、帧级分割的关键，同时 inherently 保持时间连续性。解码器学习预测一个 token 词汇表，其中每个 token 表示特定类型事件的开始或结束（例如，START_OSA、END_OSA、START_HYPOPNEA、END_HYPOPNEA）。

训练使用WhisperSeg的基于 token 的监督策略执行，其中真实值表示为事件特定 token 的序列。我们训练策略的一个关键方面是应用类平衡交叉熵损失。鉴于PSG-Audio数据集中固有的数据不平衡，其中一些呼吸暂停亚型（例如CSA）显著 underrepresented，标准交叉熵损失会使模型偏向过度预测主导类别。类平衡交叉熵损失在损失计算期间为较少频繁的类别分配较高权重，为更频繁的类别分配较低权重， thereby 减轻类别不平衡的影响并确保模型为所有事件类型学习鲁棒表示。这通常通过设置PyTorch“Cross Entropy Loss”模块中的“weight”参数来实现，其中权重与类别频率成反比。

该模型在PyTorch中实现，并使用AdamW优化器进行训练。我们使用固定学习率3e-6、100个预热步骤的线性调度、权重衰减0.01、批量大小16，并在两个NVIDIA RTX A6000 GPU（CUDA 12.1）上训练4个 epoch。音频以16 kHz采样，频谱图时间步长10 ms，最小段长度0.1 s，能量阈值ε = 0.02。我们从WhisperSeg adopted 这些超参数，并通过在5类别片段级分类任务上的10折交叉验证验证了它们的鲁棒性，其中性能在各折之间稳定（平均宏F1 = 0.414，标准差 = 0.038）。鉴于这种稳定性，我们在所有实验中应用了相同的配置。

评估设置

为了系统评估ApneaWhisper的性能，我们在基于呼吸暂停事件类型的不同分类粒度水平下进行了实验。具体地，我们定义了四个不同的标签配置以捕获不同程度的临床特异性：3类别：OSA vs 其他呼吸暂停类型（CSA、MSA、低通气）vs 正常呼吸。此任务专注于区分最常见的呼吸暂停类型。4类别：OSA vs MSA vs 其他呼吸暂停类型（CSA、低通气）vs 正常呼吸。此配置引入了MSA的显式区分。5类别：OSA vs CSA vs MSA vs 低通气 vs 正常呼吸。这代表了最具挑战性和临床详细的任务，要求区分所有主要事件类型。

对于每种设置，我们使用基于 token 的监督训练了一个单独的ApneaWhisper实例，其中标签词汇表 specifically 与相应任务对齐。这使我们能够评估模型的鲁棒性和判别力，随着目标类别数量和特异性的增加。

为了基准测试我们的模型，我们将其与先前关于基于音频的睡眠呼吸暂停检测的三个代表性基线进行比较：MFCC-DNN：一种传统的机器学习分类器，从鼾声提取手工制作的MFCCs。这些特征然后被馈送到一个全连接DNN进行分类。此基线代表了一种传统的特征工程方法。VGGish-biLSTM：一种深度学习模型，利用来自VGGish网络的预训练音频嵌入，该网络提供鲁棒的通用音频特征。这些嵌入然后由双向长短期记忆（bi-LSTM）网络处理以进行时间分类。此基线代表了一种利用预训练嵌入和循环架构的常见深度学习方法。VAD-HMM：一种基于规则的分割方法，利用语音活动检测（VAD） principles 和呼吸概率驱动的隐马尔可夫模型（HMM）。此方法基于音频信号中的静默和能量变化来近似 disordered breathing。由于其设计，此方法仅支持二值分割（呼吸暂停 vs 正常），并且无法区分不同的呼吸暂停亚型。

我们在两个不同的时间粒度级别评估模型性能，与我们的目标对齐：帧级分割：准确率和F1分数（加权和宏平均）以10毫秒的高分辨率计算，以评估模型准确识别事件边界（onset 和 offset）的能力。此指标直接反映模型的细粒度时间定位能力。片段级分类：准确率和F1分数（加权和宏平均）用于评估每个20秒音频片段的预测标签的正确性。宏平均确保少数类别的性能不被多数类别的性能 overshadowed，在不平衡数据集的背景下提供更平衡的评估。

重要的是要注意，MFCC-DNN和VGGish+biLSTM模型，通过设计，是片段级分类器，因此 across 所有四个分类任务进行评估，但不适用于帧级分割，因为它们不生成时间分辨的预测。相反，VAD-HMM基线产生帧级输出，并被包括在分割评估中，但由于其二元分类设计，它仅应用于任务1（呼吸暂停 vs 正常）进行分割。

为了增强我们评估的统计严谨性，我们采用了分层自助法（1000次重采样）来计算每个评估指标的95%置信区间（CIs），确保稳定的性能估计，同时在每个重采样中保留类别分布。此外，我们在ApneaWhisper和每个基线模型之间进行了配对自助显著性检验。对于每个自助样本，我们计算了配对模型预测之间的度量差异。如果差异的95% CI排除零，则认为性能差异 statistically 显著，表明观察到的增益不太可能由于偶然性。

所有评估使用分层采样以在分割中保持一致的类别分布。虽然由于独立数据集的可用性有限，我们没有执行外部验证，但我们认识到这是一个限制。此外，虽然我们的类平衡损失和宏平均指标有助于减轻标签不平衡，但我们承认 additional 技术（例如焦点损失、数据增强）可能进一步改善性能和泛化能力。

结果

帧级分割性能

ApneaWhisper在二值帧级分割任务（呼吸暂停 vs 正常）中显著优于VAD基线。具体而言，ApneaWhisper achieved 准确率0.6922（95% CI: 0.6919–0.6925），加权F1分数0.6892（95% CI: 0.6889–0.6895），和宏F1分数0.6809（95% CI: 0.6806–0.6811）。相比之下，VAD基线显示较低的准确率（0.4610）和显著降低的加权F1分数（0.4712）。

配对分层自助测试证实ApneaWhisper显著优于VAD基线，平均F1分数增益+0.1624（95% CI: 0.1617–0.1629, p < 0.001）。此增益反映了ApneaWhisper在不牺牲敏感性的情况下减少误报的能力，产生更平衡的精确率-召回权衡。临床上，此改进表明与VAD相比，不必要的呼吸暂停标志更少，同时保持对真实事件的准确检测。

多类别帧级混淆矩阵显示，OSA事件在所有配置中 consistently 以高召回率（>65%）检测到。相反，CSA片段经常被误分类为正常呼吸，反映了它们弱或缺失的声学标记。MSA混淆模式取决于标签粒度：在3类别设置中，MSA倾向于合并到“其他”类别中，而在更高类别配置中，它在OSA和CSA之间分裂。低通气事件 frequently 与正常预测重叠，可能 due to 它们的较低振幅和较短持续时间。额外的定性检查进一步揭示，一些短的OSA事件在10毫秒分辨率下 fragmented 成多个检测，略微降低精确率，并且嘈杂片段中的微弱呼吸噪音偶尔触发呼吸暂停的误报。

片段级分类性能

ApneaWhisper在2类别、3类别、4类别和5类别设置中的片段级分类任务中 consistently 表现出优于MFCC+DNN、VGGish+biLSTM和VAD的准确率和F1分数。例如，在2类别任务中，ApneaWhisper achieved 准确率0.8234（95% CI: 0.8185–0.8287），超过VGGish+biLSTM基线+0.0939。

ApneaWhisper consistently 以 statistically 显著增益（p < 0.001）在所有类别配置中优于基线方法。改进在3类别和4类别设置中最显著（分别超过MFCC+DNN +0.2374和+0.2211），突出了模型在区分细粒度亚型方面的优势。在更具挑战性的5类别任务中，与基线的边际减少，尽管ApneaWhisper仍然保持明显优势。此模式表明，虽然ApneaWhisper有效捕获细微的声学表示，但5类别分类中增加的复杂性和类别不平衡部分减少了相对效应大小。

片段级混淆矩阵显示，ApneaWhisper在嘈杂录音条件下对正常呼吸保持低误报率，而MFCC+DNN和VGGish+biLSTM frequently 将轻度OSA误分类为正常。ApneaWhisper的OSA检测保持鲁棒，在5类别设置中召回率超过67%。MSA对所有模型仍然具有挑战性；然而，ApneaWhisper减少了与OSA和正常的混淆，表明对其混合阻塞-中枢声学特征的改进捕获。CSA检测性能在所有方法中有限（召回率<30%），但ApneaWhisper与循环基线相比产生更少的CSA→OSA误分类。低通气事件最常与正常呼吸混淆，特别是在低信噪比或 subtle 呼吸努力变化的片段中。进一步的错误分析揭示，许多误分类发生在具有弱或 fragmented 声学线索的过渡呼吸阶段，强调了整合补充生理信号（如血氧饱和度或呼吸努力）的潜在益处。

讨论

ApneaWhisper的关键优势

本研究突出了ApneaWhisper在基于音频的睡眠呼吸暂停检测背景下的两个关键优势。首先，与大多数先前将呼吸暂停检测视为粗糙片段级分类任务的作品不同，ApneaWhisper采用了一种以分割为导向的方法，操作在精细的10毫秒时间分辨率上。这使得能够在20秒音频片段内精确定位呼吸事件，准确描绘它们的 onset 和 offset。这种粒度支持临床有意义的应用，包括精确计算呼吸暂停低通气指数（AHI），这取决于个体事件的频率和持续时间。它还促进了识别可能被粗糙方法遗漏的 subtle 或短暂事件，并为实时反馈系统奠定了基础。正如其在分割中 consistently 较高的F1分数与基于规则的VAD-HMM基线相比所证明的，ApneaWhisper的时间精度增强了其诊断潜力。

其次，ApneaWhisper展示了跨各种呼吸暂停亚型——包括MSA、CSA和低通气——的卓越判别能力，超出了高度流行的OSA。先前的方法通常将所有呼吸暂停事件 collapse 成单一的“呼吸暂停”类别，或者由于细微的声学差异和严重的数据不平衡而难以进行亚型分离。相比之下，我们的模型受益于预训练Whisper编码器的通用声学表示，这些表示与基于Transformer的长程建模相结合，使其能够捕获呼吸暂停类型之间的细微区别。这导致在帧级和片段级任务中改进的分离。如混淆矩阵所示，传统分类器 frequently 将声学模糊的亚型（例如MSA、CSA）误分类为OSA或正常呼吸，而ApneaWhisper提供了相对改进的区分——这是朝着更精确和个性化诊断的重要一步。

临床意义

ApneaWhisper最具临床意义的一个方面是其细粒度的10毫秒帧级分割，这使得能够精确描绘呼吸暂停和低通气的 onset/offset 时间。这种时间精度直接改善了呼吸暂停低通气指数（AHI）估计，因为事件持续时间或计数标准的小变化可以改变严重程度分类和下游管理决策。这已在低通气评分规则中得到证明，其中替代的AASM定义 substantially 改变AHI和严重程度分配。

此外， beyond AHI alone，事件持续时间本身携带预后信息：在睡眠心脏健康研究中，较短的呼吸事件与较高的全因死亡率相关， highlighting 准确的时间测量增加了超越简单事件计数的临床相关风险分层。

精细尺度的时间检测还可以支持实时或近实时行为反馈——最显著的是体位 therapy——这减少了仰卧位时间并降低了体位性OSA中的AHI。振动触觉“睡眠体位训练器”设备的随机对照研究和最近的荟萃分析/评论显示，在适当的表型中，有意义的AHI减少和可接受的依从性，强调了帧级监测对即时干预的转化潜力。

此外，改进的呼吸暂停亚型之间的区分具有显著的临床意义。例如，虽然OSA通常通过持续气道正压（CPAP） therapy 管理，但CSA可能需要替代方法，如适应性伺服通气（ASV）、补充氧气或解决潜在的心血管或神经系统疾病。MSA often 需要结合OSA和CSA管理元素的定制干预，因为标准CPAP therapy 可能无法解决中枢成分。准确的低通气检测 also 为氧去饱和度监测和气道管理决策提供信息。因此，可靠区分这些亚型的能力可以支持更个性化的治疗计划，改善 therapy 依从性，并 potentially 增强长期患者 outcomes。

技术与评估限制

尽管有这些优势，一些挑战仍然存在。CSA和低通气的检测性能，虽然改进，但仍然低于OSA。这与先前的报告一致，例如Le等人显示，在实时OSA检测系统中，低通气的准确性降低。这些限制反映了仅使用音频检测某些事件的内在困难。CSA， particularly，缺乏 distinct 声学特征，如打鼾或喘息，使其在声学上类似于正常呼吸或静默。MSA，混合了中枢性和阻塞性特征， also 呈现模糊的音频模式。这些事件的可靠分类可能需要整合生理信号，如呼吸努力或血氧饱和度。此外，ApneaWhisper提供的高分辨率分割引入了计算开销。基于Transformer的架构如Whisper具有 substantial 内存和计算要求，这可能阻碍在边缘设备上的实时部署。虽然Whisper的预训练特征对噪声鲁棒，但无约束家庭环境中不可预测的伪影可能 still 降低性能。

除了这些技术挑战外，一些与评估相关的限制值得提及。首先，我们的数据集从希腊一个睡眠中心收集，我们没有在独立人群或录音设置上进行外部验证。虽然我们在超参数选择期间在5类别片段级任务上执行了10折交叉验证，并观察到各折之间一致的性能，但跨机构、患者人口统计和设备——包括家庭基础录音——的更广泛评估对于评估泛化能力是必要的。其次，虽然采用了类平衡损失和宏平均指标来减轻不平衡，但罕见亚型如CSA（~1.8%）和MSA（~8.1%）仍然难以稳健评估。它们的稀缺性可能偏差训练和性能指标。未来的工作可以 incorporate 采样技术（例如SMOTE）、 targeted 消融研究或合成数据增强，以更好地解释罕见事件亚型。第三，我们没有执行系统的超参数调优（例如网格搜索或基于验证的选择），而是 adopted WhisperSeg的设置并通过试点运行验证它们。虽然这种方法产生了稳定的性能，但更详尽的调优可能进一步改善泛化和效率。此外，正式的消融研究以 disentangle Whisper预训练和Transformer架构的相对贡献超出了本工作的范围，但代表了未来研究的一个重要途径，以更精确地 characterize ApneaWhisper性能增益的来源。

未来研究方向

未来的工作可以沿着多个互补的方向进行。首先，可以通过解决本研究中识别的限制来进一步提高模型准确性。罕见事件处理可以通过 targeted 采样技术（例如SMOTE）、合成数据增强或 dedicated 消融研究来增强，以改进 underrepresented 亚型如CSA和MSA的检测。更广泛的外部评估——跨多个机构、患者人口统计、语言和录音条件——对于评估和改进超越本工作中使用的单站点数据集的泛化能力至关重要。这些努力可以辅以系统的超参数优化（例如网格搜索、贝叶斯优化）和探索替代的自监督音频编码器或使用大规模医学或呼吸声音数据集的领域特定预训练。然而，如果可用语料库不够大和多样化，领域特定预训练可能表现不佳。

其次，提高模型效率对于实际应用至关重要。架构优化——例如模型压缩技术（例如量化、修剪、知识蒸馏）和探索更高效的Transformer变体——可能实现实时、设备上推理而不牺牲准确性。轻量级注意力机制和其他效率聚焦设计可以集成以进一步减少计算开销 while 保持性能。

第三，部署策略应设计为平衡性能、隐私和可扩展性。例如，混合客户端-服务器框架——其中客户端设备执行轻量级预处理（例如去噪、下采样或特征提取），然后将数据传输到安全服务器进行完整推理——可能实现低延迟应用，而不需要在边缘硬件上完整模型执行。此类设计还可以通过避免原始音频传输和确保符合健康数据法规来增强数据隐私。此外，纳入可解释性工具，如可解释的注意力图或特征归因方法，可能帮助临床医生理解预测的基础并增加对系统输出的信任。

第四，与生理信号的多模态整合——如血氧饱和度、呼吸努力或心率——提供了一条有前景的路径，以改进声学模糊事件如CSA和低通气的检测。此类信号现在可以通过消费级可穿戴设备或家庭基础监测系统非侵入性地获得，使它们与完整多导睡眠图（PSG）相比，对于大规模筛查更实用。将基于音频的呼吸分析与补充生理数据相结合可以提供更全面和鲁棒的呼吸事件表示，同时保持非侵入性筛查的 accessibility。不同的融合策略（例如早期与晚期融合）和领域特定自监督预训练可能进一步增强鲁棒性和临床可靠性。

结论

在本研究中，我们提出了ApneaWhisper，一种新颖的基于Transformer的音频分割框架，设计用于非侵入性和细粒度检测睡眠 disordered breathing 事件。通过利用从WhisperSeg adapted 的基于 token 的建模方法并以10毫秒的高