林美娜 郑和裕

开发设计

基于CNN与堆叠LightGBM的多模态OSA检测方法

林美娜 郑和裕

（广东工业大学，广东 广州 510006）

提出一种基于血氧饱和度和心电图信号的多模态阻塞性睡眠呼吸暂停（OSA）检测方法。首先，提取血氧饱和度和心电图信号的经验特征，并利用皮尔逊相关系数获得最优特征集；然后，利用卷积网络（CNN）生成深层特征以挖掘不同模态间的潜在相关性；最后，构建堆叠的轻量级梯度提升机（LightGBM），以提高分类器检测精度。在公开数据集Apnea-ECG上进行四折交叉验证，平均准确性、敏感性和特异性分别为96.04%、96.44%和96.22%，相较于决策层融合有较高的分类性能。

阻塞性睡眠呼吸暂停；卷积网络；轻量级梯度提升机；血氧；心电图

0 引言

阻塞性睡眠呼吸暂停（obstructive sleep apnea, OSA）是一种常见的睡眠障碍[1]，在睡眠时呼吸气流减少甚至停止数秒[2]。根据2019年柳叶刀呼吸医学杂志报导，全球30～69岁的人群中约有9.36亿人患有OSA[3]。因此，及时诊断和治疗OSA是必要的。目前，常用血氧饱和度（oxygen saturation, SpO2）和心电图（electrocardiogram, ECG）表征OSA[4]，但SpO2下降存在延迟[5]，而ECG反应迅速[6]。采用组合的SpO2和ECG有助于提高OSA的检测质量[7]。

近年来，许多专家学者提出基于SpO2和ECG信号特征组合的OSA检测方法。如，LI等[7]和PUNJABI等[8]提取SpO2和ECG信号的8个经验特征，并使用人工神经网络（artificial neural network, ANN）进行OSA检测。虽然考虑了不同信号的潜在相关性，但未进行特征选择，可能存在冗余特性；此外，数据集易受特征分布变化的影响，采用跨被试可减小此影响。

深度学习可得到更优的深层特征而被广泛应用于OSA检测。经MOSTAFA等[9]调查，近十年采用深度学习检测OSA的论文约有255篇。……