基于增强型单导联心电图特征与定制深度学习算法的房颤相关阻塞性睡眠呼吸暂停检测新方法

本研究针对房颤(AF)与阻塞性睡眠呼吸暂停(OSA)共病检测的临床难题，开发了名为SHHDeepNet的创新深度学习框架。通过重构独立成分分析(RICA)提取单导联心电图(ECG)特征，在SHHS1数据库101例样本中实现98.22%的二元分类准确率，AUC达0.9981。该技术为心血管健康综合评估提供了智能化解决方案。

　　

心血管医学领域迎来突破性进展！科学家们开发出名为SHHDeepNet的智能诊断系统，专门攻克房颤(AF)与阻塞性睡眠呼吸暂停(OSA)这对"危险搭档"的检测难题。这项研究巧妙地运用重构独立成分分析(RICA)技术，从单导联心电图(ECG)信号中提取关键特征，再通过定制化深度学习算法进行精准识别。

研究团队在Sleep Heart Health Study(SHHS1)数据库的101例受试者数据上验证系统性能，结果显示：在5折交叉验证中，二元分类(区分AF伴OSA与单纯AF)准确率高达98.22%，曲线下面积(AUC)达到惊人的0.9981。即便是更具挑战性的四分类任务(区分AF伴OSA、单纯AF、单纯OSA及健康人群)，系统仍保持98.36%的优异准确率。

更令人振奋的是，该系统在MrOS数据库的外部验证中同样表现亮眼，多分类准确率达88.51%。这意味着临床医生未来可能仅需常规心电图检查，就能同步筛查这两种相互影响的疾病，为患者提供更全面的心血管健康评估。这项技术突破不仅填补了现有家庭睡眠呼吸监测(HSAT)设备的心律失常检测短板，更为优化持续气道正压通气(CPAP)治疗策略提供了新思路。