概率级延迟融合在信号缺失条件下的睡眠呼吸暂停检测：信号互补性优于模态数量

《Sleep》：Multimodal Respiratory Event Detection Leveraging Signal Complementarity under Intermittent SpO? Loss

　　

摘要

研究目标

当前用于自动化睡眠呼吸暂停检测的多模态方法通常假设信号持续可用，尽管在临床实践中传感器信号丢失是常见现象。我们评估了在不同信号配置和缺失数据条件下的概率级延迟融合性能，以确定性能是更依赖于信号的互补性还是模态的数量。

方法

我们在148名患者的脑电图（EEG）、心电图（ECG）、血氧饱和度（SpO?）和腹部呼吸努力特征上训练了随机森林基础分类器。每个分类器生成三类后验概率，这些概率被拼接后输入元分类器以进行最终的历元级预测。不可靠的SpO?历元仅从SpO?基础模型拟合中排除，但在元分类器的训练和测试中予以保留，使用均匀占位概率 [0.333, 0.333, 0.333] 以及isBad质量标志。在37名保留患者中评估了选定的单模态和多模态配置，以宏观F1作为主要指标。按SpO?质量分层的自举置信区间评估了信号丢失条件下的鲁棒性。

结果

仅使用腹部呼吸努力即达到了宏观F1 = 0.996。SpO? + 腹部呼吸努力达到了最高的宏观F1 = 0.997，仅略高于单独使用腹部呼吸努力。ECG + EEG的表现优于SpO? + ECG和SpO? + EEG，尽管缺乏直接的呼吸或氧合信息。SpO? + EEG性能下降（宏观F1 = 0.739；低通气精确率 = 0.203）。在ECG + EEG中添加SpO?使性能降低（0.872 vs 0.899）。尽管存在30.7%的SpO?信号丢失，性能仍保持稳定。

结论

在概率级延迟融合中，性能更依赖于信号的互补性而非模态数量。质量感知的概率集成使得在现实的SpO?信号丢失条件下无需重新训练即可实现鲁棒的分类，但固定历元的延迟融合限制了对时间错位的脉搏血氧仪信息的利用。

图形摘要

在新标签页中打开 下载幻灯片