《Engineering Applications of Artificial Intelligence》：A lightweight convolutional neural network framework with electrocardiomatrix representation for stage-specific epoch-level detection of apnea-hypopnea events during rapid eye movement and non-rapid eye movement sleep
编辑推荐：
阻塞性睡眠呼吸暂停（OSA）是一种常见的睡眠呼吸障碍疾病，与心血管和神经认知风险相关，快速眼动（REM）睡眠呼吸暂停日益被认为是临床上独特且危险的表型。研究人员提出了一种轻量级卷积神经网络（CNN）框架——OSADarkNet-Lite——用于从单导联心电图（
阻塞性睡眠呼吸暂停（OSA）是一种常见的睡眠呼吸障碍疾病，与心血管和神经认知风险相关，快速眼动（REM）睡眠呼吸暂停日益被认为是临床上独特且危险的表型。研究人员提出了一种轻量级卷积神经网络（CNN）框架——OSADarkNet-Lite——用于从单导联心电图（ECG）信号中进行阶段特异性的epoch级呼吸暂停-低通气（AH）事件检测。将三十秒ECG epoch转换为二维心电矩阵（ECM）表示，并分为四类：非快速眼动呼吸暂停-低通气（NREM-AH）、非快速眼动正常（NREM-Normal）、快速眼动呼吸暂停-低通气（REM-AH）和快速眼动正常（REM-Normal）。使用国立成功大学医院睡眠中心数据库（NCKUHSCD）队列（排除后44名受试者），该模型在严格受试者级五折交叉验证（CV）下进行评估，所有主要指标均采用1000次迭代的受试者级bootstrap置信区间（CI）。二元呼吸暂停-低通气检测准确率为76.39%（95% CI 73.77-78.96）；4类每epoch宏准确率为64.61%（58.72-70.24）；宏曲线下面积（AUC）为0.859（0.816-0.896）。受试者级AH比例估计与临床呼吸暂停-低通气指数（AHI）的Pearson r为0.799（0.7113-0.8967），平均绝对误差为11.6次事件/小时。消融实验证实，ECM二维表示在相同折上比一维（1D）原始ECG变体具有统计学显著的+17.6个百分点宏准确率优势（配对受试者级bootstrap p < 0.0001），其中对REM-呼吸暂停灵敏度贡献最大（+30.5个百分点）。该模型在64 × 64 × 3输入下有513万个（M）参数和0.333千兆浮点运算（GFLOPs），图形处理单元（GPU）推理延迟为0.54毫秒（ms），表明其计算特征适合未来边缘部署，但仍有待在嵌入式硬件上验证。在两个独立的National Sleep Research Resource队列——男性骨质疏松性骨折研究（MrOS）访视1（N = 200）和睡眠心脏健康研究（SHHS）访视1（N = 200）——上的外部验证揭示了显著的跨队列域偏移，确定多队列训练是未来工作的主要方向。该框架全程报告受试者级交叉验证、多指标估计和置信区间。
阻塞性睡眠呼吸暂停（OSA）是常见的睡眠呼吸障碍，与心血管和神经认知风险密切关联，快速眼动（REM）相关呼吸暂停更被视为独立的危险表型。传统多导睡眠监测（PSG）虽是诊断金标准，但存在成本高、不适感强等局限；基于心电图（ECG）的替代方法虽具潜力，却常因使用手工特征或标量压缩而丢失瞬时异常信息。已有深度学习模型多聚焦于二元分类，未充分区分REM与非快速眼动（NREM）睡眠阶段，且部署时受计算资源限制。为填补这一空白，研究人员提出了OSADarkNet-Lite——一种基于心电矩阵（ECM）二维图像表示的轻量级卷积神经网络（CNN），用于从单导联ECG信号中进行阶段特异性、epoch级（每30秒为一epoch）的呼吸暂停-低通气（AH）事件四分类检测，即区分NREM-AH、NREM-Normal、REM-AH与REM-Normal。研究在国立成功大学医院睡眠中心数据库（NCKUHSCD）的44名受试者上，采用严格受试者级五折交叉验证（CV）和1000次bootstrap置信区间评估，获得二元AH检测准确率76.39%、四分类宏准确率64.61%、宏AUC 0.859，且受试者级AH比例估计与临床AHI的Pearson r为0.799。消融实验证实ECM表示相比一维原始ECG显著提升宏准确率17.6个百分点，并特别将REM-Apnea灵敏度提高30.5个百分点。模型参数量为5.13百万（M），浮点运算量为0.333 GFLOPs，GPU推理延迟仅0.54 ms，展示出面向未来边缘设备部署的计算可行性。外部验证在MrOS和SHHS两个独立队列上暴露了显著的跨队列域偏移，提示需以多队列训练作为后续改进核心。该论文发表于《Engineering Applications of Artificial Intelligence》。
研究人员采用的主要技术方法包括：对单导联ECG进行重采样和带通滤波，利用Pan-Tompkins算法检测R峰，并基于R峰提取1.5秒窗口生成二维“2-PQRST”心电矩阵（ECM）热图；应用多数加权少数过采样技术（MWMOTE）在受试者内部进行数据增强；设计轻量级DarkNet衍生CNN（OSADarkNet-Lite），采用3×3卷积与1×1压缩块及残差连接；使用梯度加权类激活映射（Grad-CAM）进行可解释性分析；所有评估均在受试者级五折交叉验证下完成，并附带bootstrap置信区间。样本队列来源为NCKUHSCD（44名受试者），外部验证来自MrOS Visit 1（N=200）和SHHS Visit 1（N=200）。
### 3.1 Primary results
在NCKUHSCD的44名受试者上进行严格受试者级五折交叉验证，模型获得四分类宏准确率64.61%（95% CI: 58.72–70.24）、宏F1为64.35%、宏AUC为0.859；二元AH检测准确率为76.39%，AUC为0.840。受试者级AH比例估计与临床AHI的Pearson r为0.799，MAE为11.6事件/小时。该结果表明模型在epoch级和受试者级均具备临床参考价值。
### 3.2 Severity-stratified analysis
按临床AHI将受试者分为非OSA（n=6）、轻度（n=10）、中度（n=6）和重度（n=22）后，四分类epoch准确率随严重程度增加而单调下降（82.75%→53.54%）。但在二元AH检测中，重度组仍保持71.70%准确率和0.79 AUC，受试者级AHI相关仍约为0.80。这提示四分类准确率下降更多源于该指标对类间混淆的严格惩罚，而非模型临床效用丧失。
### 3.3 Ablation experiments
消融实验证实：(1) 将ECM二维表示替换为一维原始ECG（E2），宏准确率下降17.62个百分点（p<0.0001），REM-Apnea灵敏度下降30.5个百分点；(2) 移除MWMOTE（E3），REM-Apnea灵敏度从72.91%骤降至2.08%，说明合成样本提供了判别性信息；(3) 与MobileNetV3-Small（E4）相比，OSADarkNet-Lite的宏准确率高4.77个百分点，虽参数更多，但更适配ECM的空间结构。
### 3.4 Lightweight architecture comparison
OSADarkNet-Lite参数量5.13M、FLOPs 0.333G、GPU延迟0.54 ms、CPU延迟1.28 ms，优于MobileNetV3-Small和EfficientNet-Lite0的延迟/性能权衡，表明其具备轻量化和潜在边缘部署优势，但嵌入式平台实测仍有待开展。
### 3.5 External validation on MrOS visit 1 and SHHS visit 1
零样本外部验证显示，模型在MrOS（N=200）上四分类宏准确率仅42.27%，宏AUC为0.525，受试者级AHI相关r=0.147；在SHHS（N=200）上宏准确率为46.00%，宏AUC为0.527，r=0.063。真值检查证实外部标签与预处理一致性良好，故性能下降主要归因于跨队列域偏移。多队列训练与少量目标域微调（如 SHHS 10名受试者校准）仅能部分改善，受试者级相关最高约0.24，进一步强调了扩大训练队列多样性的必要性。
### 3.6 PhysioNet Apnea-ECG database (PAED) cross-literature benchmark
在PAED的70名受试者、34,136个1分钟片段上，使用相同subject-wise五折交叉验证重训OSADarkNet-Lite，获得二元准确率83.39%（95% CI: 80.55–86.39）、AUC 0.897、apnea阳性F1为77.02%。该结果与既往研究（如Setiawan & Lin的83.5%）相当，且优于部分LOSOCV方法，证明该框架在公共基准上具有跨文献可比性和泛化能力。
讨论部分总结了模型的临床意义：epoch级检测可聚合为受试者级AHI估计，支持严重程度分诊；Grad-CAM可视化突出了心搏停顿、R-R间期不稳定等生理标志，增强临床可解释性；在PAED上与近期轻量级方法相比具有竞争力。同时指出主要局限：训练队列规模小（44例）、外部迁移受域偏移限制、体位信息缺失、MWMOTE像素级插值可能缺乏生理真实性、嵌入式硬件验证尚未完成。未来需通过大规模多队列训练、领域适配和时序上下文建模来提升鲁棒性。研究结论可翻译为：研究人员提出OSADarkNet-Lite，一个参数量为5.13M、FLOPs为0.333G的轻量级CNN，用于基于单导联ECG和二维心电矩阵表示的阶段特异性epoch级AH事件检测。在NCKUHSCD队列（44例）上，模型达到宏准确率64.61%、二元AH检测准确率76.39%、宏AUC 0.859；受试者级AHI估计的Pearson r为0.799、MAE为11.6事件/小时。消融实验证实ECM表示较一维原始ECG显著提升17.6个百分点宏准确率，并于REM-Apnea灵敏度提升30.5个百分点。与MobileNetV3-Small和EfficientNet-Lite0相比，模型在保持计算效率的同时实现了有竞争力的性能，具备
