基于多模态孪生度量学习融合心电图与血氧饱和度信号进行阻塞性睡眠呼吸暂停筛查

《Scientific Reports》：A dual-branch metric-learning framework for obstructive sleep apnea detection

　　

摘要

由于信号噪声、时间复杂性以及个体间的生理差异，使用可穿戴设备兼容信号进行阻塞性睡眠呼吸暂停（OSA）筛查仍然具有挑战性。我们提出了一种多模态孪生度量学习框架，通过双分支编码器和三元组损失优化，联合建模心电图（ECG）和血氧饱和度（SpO\(_2\)）的动力学。该架构集成了 1D ResNet-18 主干与基于双向长短期记忆网络（BiLSTM）的时间融合，以捕捉互补的生理模式。我们使用来自 PSG-Audio 数据集的精选队列，采用受试者不重叠的五折交叉验证方法评估了该框架。该模型达到了 \(91.03 \pm 2.75\%\) 的准确率，\(90.58 \pm 4.84\%\) 的召回率，\(91.03 \pm 2.57\%\) 的 F1 分数，以及 \(0.9506 \pm 0.0342\) 的 AUC。患者身份在训练、验证和测试分区之间进行了分离，且测试数据被排除在三元组构建、模型选择和阈值选择之外。这些结果支持多模态度量学习作为一种具有竞争力的队列内方法，但并未确立其对外部人群或记录系统的泛化能力。