使用深度学习的心电图信号阻塞性睡眠呼吸暂停分类的多方面方法

《npj Biological Timing and Sleep》:A multifaceted approach for obstructive sleep apnea classification from ECG signal using deep learning

【字体: 大 中 小 】 时间:2026年08月06日 来源:npj Biological Timing and Sleep

编辑推荐:

  阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠障碍,与心血管和神经认知风险增加相关。虽然多导睡眠图(polysomnography)仍是临床诊断的金标准,但其成本高昂,不适合大规模或实时筛查。心电图(ECG)信号为非侵入性、低成本的睡眠呼吸暂停检测提供了替代方案

  
阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠障碍,与心血管和神经认知风险增加相关。虽然多导睡眠图(polysomnography)仍是临床诊断的金标准,但其成本高昂,不适合大规模或实时筛查。心电图(ECG)信号为非侵入性、低成本的睡眠呼吸暂停检测提供了替代方案。研究人员提出了一个全新的整体框架,用于使用ECG数据进行OSA检测和预测,数据集包括两个:PhysioNet Apnea-ECG数据集(健康呼吸暂停患者)和OSASUD数据集(卒中单元患者)。该框架整合了根植于动力系统理论(dynamical systems theory)和统计分析的特征工程方法。这些特征被用于一系列模型,从传统机器学习算法到新型深度学习架构。为了提高泛化能力和个性化,研究人员以两种方式引入迁移学习(transfer learning):跨数据集,使在大队列上训练的模型适应较小的临床数据集;以及在患者层面,利用有限的个体数据个性化模型,从而展示了精准医学(precision medicine)的应用。
**论文解读:基于深度学习的心电图信号阻塞性睡眠呼吸暂停分类的多方面方法**

**研究背景与问题**
阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠相关呼吸障碍,影响全球2%–4%的成年人。OSA的特征是睡眠时咽部软组织塌陷导致气道阻塞,引起间歇性缺氧和交感神经激活,从而增加心血管疾病和高血压风险。然而,约85%的患者未被诊断,导致每年约34亿美元的经济损失。目前临床诊断金标准为多导睡眠图(PSG),但其需在实验室由专业技术人员操作,成本高、耗时长,且存在首夜效应、电极故障等问题,无法实现实时监测。因此,亟需一种低成本、可扩展、适用于高危人群(如卒中患者)的预测性诊断工具。心电图(ECG)信号因能反映呼吸事件引起的心脏活动变化(如心率变异性、心电耦合模式转变),成为睡眠呼吸暂停检测的可行替代方案。现有研究多基于PhysioNet Apnea-ECG数据库(健康患者),对伴有合并症(如卒中)的人群研究不足;且多数模型仅关注过去事件的检测,缺乏对未来呼吸暂停的预测能力;此外,模型可解释性差,易受数据集不平衡和信号质量差异影响。

**研究内容与意义**
本论文发表在《npj Biological Timing and Sleep》。研究人员提出一个整合人工智能、统计分析和动力系统理论的综合框架,利用ECG信号检测、预测和分类OSA。该框架在PhysioNet Apnea-ECG(70例健康患者)和OSASUD(30例卒中单元患者)两个公开数据集上验证,并引入迁移学习以提升模型泛化性和个性化能力。研究的意义在于:1)首次在卒中患者队列中评估ECG-based OSA检测,拓展了研究人群范围;2)实现未来呼吸暂停事件的预测,为预防性治疗提供可能;3)通过SHAP(Shapley Additive exPlanations)特征重要性分析和统计显著性检验,增强模型临床可解释性。

**主要技术方法**
研究人员采用以下关键技术:1)**特征工程**:基于动力系统理论提取最大Lyapunov指数(衡量ECG信号混沌程度)和峰度(量化信号间歇性),并结合传统统计特征(均值、偏度、HRV时域/频域/非线性域指标)。2)**深度学习模型**:设计ApneaFormer模型,由卷积堆栈和Transformer编码器组成,直接处理原始分辨率ECG信号(3分钟窗口,中心分钟标注),避免下采样导致的信息丢失。3)**迁移学习**:跨数据集迁移(PhysioNet→St. Vincent’s数据集)和患者级个性化迁移(同一数据集内基于部分患者预训练再微调)。4)**可解释性分析**:使用SHAP方法计算每个特征对模型预测的边际贡献,并结合Mann–Whitney U检验筛选统计显著特征。样本来源:PhysioNet Apnea-ECG数据库(70例夜间ECG,100Hz采样率,分钟级标注)、OSASUD数据集(30例卒入院患者,80Hz采样率,秒级标注)、St. Vincent’s大学医院睡眠呼吸暂停数据库(25例疑似患者,128Hz采样率,分钟级标注)。

**研究结果**
**特征工程**:对两个数据集提取80–85个特征(共享78个),SHAP分析显示,ECG信号的统计矩(峰度、偏度、均值)在两个数据集中均具有高重要性,提示心脏信号结构改变能有效建模呼吸暂停。OSASUD数据集中,Lyapunov指数、HRV熵度量(MSEn、HFD)等特征更突出,反映合并症的复杂性。

**动力系统视角**:Lyapunov指数在呼吸暂停期间降低,非呼吸暂停期间升高(PhysioNet平均相关系数-0.20,p<0.0001;OSASUD平均相关系数-0.02,p<0.0001),支持疾病状态下ECG信号混沌性降低的观点。峰度在呼吸暂停期间升高(PhysioNet相关系数0.16,p<0.0001;OSASUD相关系数0.07,p<0.0001),表明呼吸暂停时信号间歇性增加。

**模型性能**:传统机器学习模型在PhysioNet数据集上表现良好,但在OSASUD上性能显著下降。ApneaFormer在PhysioNet数据集上仅用ECG信号即达到F1=0.914、AUC=0.981,优于所有基线模型;在OSASUD数据集上,加入峰度特征后F1提升至0.540,显著优于传统方法。ApneaFormer优于混合Transformer,归因于其保留原始分辨率避免信息丢失。

**ROC曲线**:ApneaFormer在PhysioNet数据集上AUC=0.981,在OSASUD上AUC=0.806,均显著优于随机分类器(AUC=0.5),OSASUD的较低AUC反映其更大的临床复杂性。

**预测性能**:模型基于3分钟ECG输入预测未来1–30分钟的呼吸暂停事件。两个数据集上,随着预测时间窗延长,所有指标(敏感度、特异度、准确率、精确度、F1)均一致下降,表明长时预测的固有挑战,且OSASUD数据集上性能下降更明显。

**OSA严重程度诊断**:基于ApneaFormer预测的每分钟呼吸暂停/低通气指数(AHI)对PhysioNet测试患者进行严重程度分类(正常:AHI<5;轻度:5≤AHI<15;中度:15≤AHI<30;重度:AHI≥30)。模型在正常和中度类别上达到100%诊断准确率,轻度和重度类别存在轻微误分类。

**迁移学习实验**:跨数据集迁移(PhysioNet→St. Vincent’s)中,使用迁移学习的模型(预训练后微调)在所有训练集大小下F1均高于从头训练模型,且微调全部参数效果最佳(训练数据充足时),部分冻结参数在小数据量下可避免过拟合。患者级个性化迁移中,基于15例患者预训练后对剩余10例患者微调,迁移学习模型在所有训练数据比例下均显著优于仅使用目标患者数据训练,证明迁移学习能提升个性化预测性能。

**讨论与结论**
研究讨论指出,本框架通过整合动力系统启发特征(Lyapunov指数、峰度)和深度学习,在保持高性能的同时提供生理学可解释性。ApneaFormer的独特设计使其在复杂数据集上表现稳健。预测功能为前瞻性干预提供可能,AHI诊断与临床标准一致。迁移学习有效解决了跨人群泛化问题,并展示了精准医学在睡眠呼吸暂停管理中的应用潜力。局限性包括:框架仍以数据驱动为主,未显式建模因果生理通路;未来可纳入SpO2、呼吸努力等多模态信号提升长时预测性能;需在更大专家标注队列上验证泛化性。研究结论翻译如下:总之,本研究代表了人工智能在睡眠医学应用中的重要进步。从ECG信号(一种广泛可穿戴设备获取的生物特征)中无创检测、分类和预测OSA的能力,为更连续、可扩展、以患者为中心的诊断和监测解决方案提供了途径。随着AI的持续发展,此类框架可能在扩大诊断工具可及性、促进早期干预以及为OSA及相关心肺疾病患者提供个性化护理方面发挥日益核心的作用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号