發(fā)布時(shí)間：2020-12-14 16:35

　　阻塞性睡眠呼吸暫停容易引發(fā)心血管并發(fā)癥。作為睡眠呼吸暫停診斷的金標(biāo)準(zhǔn),多導(dǎo)睡眠儀的檢測(cè)費(fèi)用昂貴且影響患者睡眠質(zhì)量。鑒于心肺高度耦合,心電信號(hào)已被廣泛應(yīng)用于睡眠呼吸暫停檢測(cè)中。然而,大多數(shù)基于心電信號(hào)的研究專注于人工特征的設(shè)計(jì),依賴于專家先驗(yàn)知識(shí)�；谏疃葘W(xué)習(xí)的方法能夠減少特征提取過(guò)程中的人為因素。提出一種基于自編碼器和隱馬爾可夫模型的睡眠呼吸暫停檢測(cè)方法。首先,利用棧式稀疏自編碼器,直接從RR間期序列中進(jìn)行半監(jiān)督特征學(xué)習(xí),先在預(yù)訓(xùn)練階段進(jìn)行無(wú)監(jiān)督學(xué)習(xí),隨后在微調(diào)階段引入標(biāo)簽進(jìn)行有監(jiān)督學(xué)習(xí)。然后,構(gòu)建支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò),分別結(jié)合隱馬爾可夫模型之后,組成決策融合分類器,隱馬爾可夫模型引入片段之間的時(shí)間依賴性,決策融合可整合不同分類器之間的優(yōu)勢(shì)�；赑hysioNet的apnea-ECG數(shù)據(jù)庫(kù)70例整夜睡眠數(shù)據(jù),實(shí)驗(yàn)結(jié)果顯示:阻塞性睡眠呼吸暫停片段識(shí)別準(zhǔn)確率、敏感性和特異性分別為84.7%、88.9%和82.1%,個(gè)體識(shí)別準(zhǔn)確率達(dá)到100%。基于自編碼器的特征提取方法相較于特征工程,能夠降低先驗(yàn)知識(shí)限制,使特征提取過(guò)程更加自動(dòng)化、智能化。此外,決策融合分類器相較于單一分類器,不僅可提升... 

【文章來(lái)源】：中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2020年04期 北大核心

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

本研究提出的OSA檢測(cè)方法整體系統(tǒng)框圖

圖1 本研究提出的OSA檢測(cè)方法整體系統(tǒng)框圖式中，稀疏懲罰項(xiàng)基于Kullback-Leibler(KL)散度構(gòu)建，l表示隱含層神經(jīng)元數(shù)目，β是稀疏懲罰項(xiàng)系數(shù)，λ是權(quán)重衰減項(xiàng)系數(shù)。

Song等[8]認(rèn)為，患者某一時(shí)刻的疾病狀態(tài)可能會(huì)與前一時(shí)刻的狀態(tài)具有聯(lián)系，而人們又難以從觀測(cè)序列中判斷疾病狀態(tài)。他們將疾病狀態(tài)與觀測(cè)序列聯(lián)系起來(lái)建立HMM，取得了不錯(cuò)的結(jié)果�；谇叭说难芯浚狙芯繉氡O(jiān)督學(xué)習(xí)算法獲取的特征作為觀測(cè)序列與疾病狀態(tài)聯(lián)系起來(lái)，建立SVM-HMM和ANN-HMM混合模型作為分類器。圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練。(a)預(yù)訓(xùn)練;(b)微調(diào)


本文編號(hào)：2916669