《Sensors》：SApneaNet: Adaptive Squeeze-and-Excitation-Based CNN–Transformer Network with AGFF for Sleep Apnea Event Detection Using ECG Images Under IoMT
编辑推荐：
背景与目标： 阻塞性睡眠呼吸暂停（obstructive sleep apnea，OSA）是一种致命且广泛存在的睡眠相关呼吸障碍，也是心脑血管疾病的主要危险因素，严重影响全球老年人的健康。鉴于此类并发症的风险，及时准确地识别OSA至关重要。多导睡眠监测（pol
背景与目标： 阻塞性睡眠呼吸暂停（obstructive sleep apnea，OSA）是一种致命且广泛存在的睡眠相关呼吸障碍，也是心脑血管疾病的主要危险因素，严重影响全球老年人的健康。鉴于此类并发症的风险，及时准确地识别OSA至关重要。多导睡眠监测（polysomnography，PSG）被认为是检测OSA最准确的技术，但其复杂性和多通道要求限制了其应用。基于心电图（electrocardiogram，ECG）的诊断是一种有前景的替代方案，可连续监测心律并捕捉与OSA相关的细微心脏变化。然而，现有的基于ECG的方法仍面临复杂特征工程、对互补时频信息与全局依赖关系捕获有限，以及特征重标定与融合不足等挑战，这些均可能限制OSA检测性能。因此，仍需进一步改进以实现临床可靠的表现。方法： 为应对上述挑战，本研究提出SApneaNet，一种用于利用ECG信号检测OSA事件的新型先进深度学习方法。该方法采用连续小波变换（continuous wavelet transform，CWT）将ECG信号转换为RGB对数尺度图（log-scalogram），从而能够同时分析时域和频域特征。生成的RGB对数尺度图随后被输入至带有自适应压缩激励（adaptive squeeze-and-excitation，ASE）的深度CNN编码器，随后经Transformer和自适应门控特征融合（adaptive gated feature fusion，AGFF）架构处理。在该框架中，为提升OSA检测性能，CNN提取丰富的局部特征，ASE模块执行通道级重标定以增强特征表示，Transformer执行数据并行处理并捕获全局上下文依赖关系，AGFF机制则自适应地强化信息性特征并抑制相关性较弱的特征。结果： 在Apnea-ECG数据集上的实验结果表明，在逐段（per-segment）分类中，该模型实现了94.7%的灵敏度、95.2%的特异度、93.5%的F1分数、95.1%的准确率、89.4%的Cohen's kappa系数以及0.989的受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）。此外，在逐记录（per-recording）分类中，该模型实现了100.0%的准确率、2.025的平均绝对误差（mean absolute error，MAE）以及0.992的皮尔逊相关系数（Pearson correlation coefficient，PCC）。总体而言，实验结果表明，与OSA分类的其他先进方法相比，所提出的模型取得了优异且具有竞争力的性能。结论： 所提出的模型在OSA检测中展现出强大的有效性，为传统诊断方法提供了一种新颖且稳健的替代方案。该模型可靠且一致的诊断性能凸显了其整合到实际OSA诊断系统中的潜力，包括家庭健康监测设备和临床决策支持工具。
基于ECG图像与自适应CNN-Transformer架构的睡眠呼吸暂停检测研究解读
一、研究背景与问题提出
睡眠呼吸暂停（sleep apnea，SA）属于睡眠相关呼吸障碍，其特征是睡眠期间呼吸反复中断，可在一夜之间多次发生。阻塞性睡眠呼吸暂停（obstructive sleep apnea，OSA）作为其中最常见的类型，由咽喉肌肉松弛塌陷导致气流部分或完全阻塞，进而引发觉醒和睡眠碎片化。未经治疗的OSA可导致响亮打鼾、日间过度嗜睡、疲劳、焦虑等症状，严重时还与脑卒中、心脑血管疾病、高血压、心律失常、心力衰竭乃至睡眠中猝死等严重并发症相关。全球分析显示，OSA影响近十亿人口，其中约4.25亿30至69岁成年人患有中重度OSA，凸显了在大规模人群中实施高效筛查方法的迫切性。
临床实践中，OSA严重程度通过多导睡眠监测（polysomnography，PSG）得出的呼吸暂停低通气指数（apnea-hypopnea index，AHI）评估。然而PSG成本高昂、主观性强且不适用于大规模筛查，导致超过80%的高危个体未被诊断。基于心电图（electrocardiogram，ECG）的诊断因其信息丰富、采集便捷、波形形态稳定等优势受到广泛关注。然而现有基于ECG的方法仍面临多重挑战：多数方法依赖大量手工特征提取流程，将时域与频域特征独立处理，无法捕获OSA相关的完整多模态心脏动力学；CNN方法在全局依赖建模方面存在局限；现有方法普遍缺乏特征重标定与融合机制，综合影响了不同患者群体中检测的可靠性。因此，本研究旨在开发一种更准确、更稳健的SA检测方法，以克服上述局限性。
二、研究内容与主要结论
针对上述问题，研究人员提出SApneaNet，一种基于自适应压缩激励的CNN-Transformer网络，集成自适应门控特征融合（adaptive gated feature fusion，AGFF）机制用于SA事件检测。该模型利用连续小波变换（continuous wavelet transform，CWT）将ECG信号转换为RGB对数尺度图，同时编码时域与频域特征，并通过CNN提取局部特征、自适应压缩激励（adaptive squeeze-and-excitation，ASE）模块执行通道级重标定、Transformer建模全局上下文依赖、AGFF机制自适应融合特征。在Apnea-ECG数据集上的实验表明，该模型在逐段分类中实现了95.1%的准确率、94.7%的灵敏度、95.2%的特异度、93.5%的F1分数和0.989的ROC-AUC；在逐记录分类中实现了100%的准确率、2.025的平均绝对误差（mean absolute error，MAE）和0.992的皮尔逊相关系数（Pearson correlation coefficient，PCC）。该研究的重要意义在于提供了一种无需手工特征工程、可自动学习判别性特征的OSA检测新框架，其可靠且一致的诊断性能表明其可整合到家庭健康监测设备和临床决策支持工具中，为OSA的早期筛查和诊断提供了有力工具。
三、关键技术方法概述
研究人员采用的主要技术方法包括：其一，信号预处理与变换，使用二阶巴特沃斯带通滤波器（0.5–40 Hz）去噪，采用Z-score标准化，并利用CWT结合复Morlet小波将一分钟ECG段转换为64×64×3的RGB对数尺度图；其二，模型架构设计，提出SApneaNet集成CNN、ASE模块、Transformer编码器和AGFF机制，其中ASE模块通过双并行全连接通路和混合权重子网络实现自适应通道重标定，Transformer采用卷积令牌嵌入和多头自注意力建模全局依赖，AGFF通过可学习门控机制自适应融合CNN与Transformer特征。数据来源为PhysioNet公开的Apnea-ECG数据库，包含70例受试者的整夜单导联ECG记录，按官方划分分为35例训练集和35例测试集，训练集含17,023个一分钟段，测试集含17,248个一分钟段。
四、研究结果
逐段SA检测结果： 消融实验对比了四种配置：CNN（Method-1）、CNN+ASE（Method-2）、CNN+Transformer（Method-3）和SApneaNet（Method-4）。SApneaNet在所有指标上均优于其他方法，实现灵敏度94.7%、特异度95.2%、精确率92.3%、F1分数93.5%、准确率95.1%、Cohen's kappa 89.4%，ROC-AUC达0.989，PR-AUC达0.982，显著超过无技能基线0.38，证实性能并非仅由类别不平衡所致。
逐记录SA检测结果： 在35例测试受试者（23例呼吸暂停患者和12例正常个体）中，SApneaNet正确分类了所有受试者，实现100%的准确率、灵敏度、特异度、精确率、F1分数和Cohen's kappa，同时获得最高PCC（0.992）和最低MAE（2.025），逐受试者绝对AHI误差范围为0.000至7.510。
OSA严重程度评估： 模型被用于对每个受试者进行OSA严重程度分级（正常、轻度、中度、重度），实现了100%的分级准确率，展示了其在个体层面精确诊断和严重程度分类的能力。
特征表示可视化： 通过PCA和t-SNE-PSO对倒数第二层稠密层提取的特征进行可视化，结果显示正常与呼吸暂停事件之间呈现清晰分离，仅在决策边界附近存在有限重叠，表明模型学习了高度判别性的特征嵌入。
五、讨论与结论
与现有先进方法的比较表明，SApneaNet在逐段准确率上较最佳对比方法提升0.1%，灵敏度提升1.3%，并取得了最高的Cohen's kappa（89.4%）和ROC-AUC（0.989）。在逐记录检测中，多数现有研究未报告MAE和PCC指标，而SApneaNet取得了最低的MAE（2.02）和最高的PCC（0.992），且是少数实现100%严重程度分级准确率的方法之一。在计算效率方面，模型存储约需2.38 MB，每张RGB对数尺度图推理时间为0.03351秒，每个ECG段平均处理时间为0.06461秒，表明其具备整合到可穿戴医疗设备的潜力。未来研究方向包括：扩大数据集规模以充分利用深度学习模型的优势，以及通过与医疗机构合作收集更多样化的真实临床数据以提升模型的稳健性和泛化能力。
研究结论： 所提出的SApneaNet模型在OSA检测中展现出强大效能，为传统诊断方法提供了一种新颖且稳健的替代方案。该模型可靠且一致的诊断性能凸显了其整合到实际OSA诊断系统中的潜力，包括家庭健康监测设备和临床决策支持工具，有望改善受该疾病影响的个体的睡眠质量和生活质量。
