基于多模态生理信号的深度学习在睡眠呼吸障碍评估中的应用

《Scientific Reports》：Deep learning for multimodal physiological signal based assessment of sleep disordered breathing

　　

摘要

睡眠呼吸障碍通常通过多导睡眠图（PSG）来评估，该技术可记录睡眠期间的多种生理信号。由于呼吸事件发生在复杂且随睡眠阶段变化的动态过程中，因此准确自动识别与睡眠呼吸障碍相关的呼吸异常仍然具有挑战性。为解决这一问题，本研究提出了一种基于多模态生理信号的深度学习框架，用于针对睡眠呼吸障碍进行睡眠评估。该框架将识别与睡眠呼吸障碍相关的呼吸事件作为核心任务，同时将睡眠阶段分类作为辅助任务，以帮助更准确地理解生理异常的时间特征。该框架结合了睡眠模式识别网络（SPRNet）和睡眠评估综合诊断策略（IDSSA）。SPRNet通过针对不同生理信号的特征提取，再结合双长短期记忆网络和基于注意力机制的时间建模，整合脑电图、心电图、眼电图、肌电图以及呼吸气流信号。IDSSA则引入与睡眠领域相关的先验知识、概率推理以及多目标优化方法，以提高在存在噪声的生理数据下的时间一致性和稳定性。睡眠阶段分类是在睡眠能量分布函数和SHHS数据集上进行的，而与睡眠呼吸障碍相关的呼吸事件识别则是在提供呼吸事件标注的SHHS数据集上进行的。实验结果表明，与传统机器学习和深度学习方法相比，所提出的框架具有更好的性能。这些研究结果表明，多模态生理信号的整合以及基于时间特征的联合建模，能够为自动识别与睡眠呼吸障碍相关的呼吸异常提供有效的决策支持。该系统旨在用于自动化筛查和评估辅助，而非替代睡眠专家的临床诊断。