葛 靖，刘子龙

(上海理工大学 光电信息与计算机工程学院，上海200093)

近年来，睡眠呼吸暂停症(Sleep Apnea Syndrome，SAS)越来越受到人们关注。SAS是发生在睡眠过程中的一种常见的睡眠障碍，一般由上气道塌陷或其他气道阻塞引起的呼吸气流减少或消失且反复发作引起。据研究表明，SAS可能导致多种疾病，如糖尿病、慢性肾病、抑郁症等，严重的甚至会导致猝死。通常来讲，最好的睡眠呼吸暂停筛查和诊断方法为多导睡眠图(Poly Somno Graphy，PSG)，但获取PSG需要病患夜间在医院进行睡眠监测并记录各种生理信号，不仅操作不便，且成本较高[1]。

研究人员已经提出多种使用较少生理信号的检测方法来简化呼吸事件自动检测，这在一定程度上克服了PSG的缺点。这些方法多基于生理记录，例如心电信号(Electro Cardio Graph，ECG)、血氧饱和度、鼾声，呼吸信号等[2]。目前大多数替代研究都集中在从生理信号中提取时间特征、光谱特征和非线性特征，以及各种特征选择方法。传统机器学习分类方法的人工特征识别能力较好，特别是许多监督学习方法如支持向量机和神经网络等，已被广泛应用于SAS检测。

深度学习方法在近几年逐渐受到人们的青睐，它们在各领域应用中表现出优异的性能。传统的分类学习方法在睡眠呼吸紊乱事件的自动检测方面取得了较高的性能，但手动特征提取仍需要相关专业知识且劳动强度大。深度学习无需使用任何领域知识即可自动从输入信号中学习并查找特征，有着强大的学习能力[3]。……