一种基于深度残差网络模型的睡眠呼吸暂停识别方法

刘洪涛 王伟 胡少娴 刘斌

(1 深圳市联影高端医疗装备创新研究院，深圳，518045； 2 深圳联影智融医疗科技有限公司，深圳，518052； 3 深圳高性能医疗器械国家研究院有限公司，深圳，518126)

睡眠呼吸暂停综合征(Sleep Apnea Syndrome，SAS)是由于某些原因造成睡眠时上气道通气不畅或堵塞等而引起呼吸暂停和低通气，目前已经成为威胁生命健康的多发疾病之一[1]。最近几年医学界对该病有了更为深入的认识，并已证实该病是诱发缺血性心脏病的重要危险因素之一，同时还会引起肺心病和高血压，甚至引起夜间猝死，故通常被称为“睡眠杀手”[2]。成人睡眠呼吸暂停综合征主要可以分为三类，分别是阻塞性睡眠呼吸暂停综合征、中枢性睡眠呼吸暂停综合征、混合性睡眠呼吸暂停综合征[3-5]。临床上以阻塞性睡眠呼吸暂停综合征最为常见，本研究也以此为讨论重点。

目前睡眠呼吸暂停综合征检测的金标准是在睡眠实验室中使用多导睡眠仪(In-laboratory Polysomnography，In-lab PSG)记录睡眠事件，记录参数包括血氧饱和度、口鼻气流、呼吸运动、脑电图、睡姿、肌电图、眼电图和心电图等，并进行判读诊断[6]。但是该方式操作复杂，费用昂贵，且对用户的睡眠造成负担，不能完全真实的反映用户的睡眠情况。本方案设计了一种基于单导联心电图(Electrocardiograph，ECG)的睡眠呼吸暂停识别方法，大大降低了睡眠呼吸暂停综合征检测的复杂程度，同时又兼顾了识别效果，该方案可以应用在多种ECG采集设备，比如便携设备、家用设备等，对呼吸暂停综合征的筛查起到积极意义。

1 睡眠呼吸暂停简介

阻塞性睡眠呼吸暂停低通气综合征(Obstructive Sleep Apnea-hypopnea Syndrome，OSAHS)，也被称为阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea，OSA)，以睡眠期间上气道反复出现完全阻塞(呼吸暂停)或部分阻塞(低通气)为特征[7]。OSAHS发生时经常导致血氧饱和度下降，两次呼吸暂停期间有打鼾，通常可以观察到喘息、气哽和身体活动导致睡眠中断。OSAHS是最常见的睡眠呼吸紊乱疾病，在美国大约影响到2%～4%的人口，在中国也影响到4%左右的人口，如果没有被早期诊断并给予有效的治疗，OSAHS患者可能会出现白天过度嗜睡、认知障碍、高血压、心肌梗死、心律失常、肺动脉高压、中风、代谢综合征等疾病[8]。

阻塞性呼吸暂停主要是由于气道受阻而发生的。当正常呼吸时，气体交换的关键是喉以上的上呼吸道，使气体畅通地进入气管和支气管，如果由于某种原因，这段气流受限就将出现打鼾或阻塞性睡眠呼吸暂停。高达60%的中重度OSAHS是由于肥胖所致，颈咽部组织拥挤，导致呼吸阻塞。局部结构异常也可能导致呼吸道阻塞，如上下颌畸形，或腺样体扁桃体肥大。另外内分泌疾病，如肢端肥大症和甲状腺功能减退，也是OSAHS的危险因素；睡前饮酒、使用镇静药物，或由于结构异常、鼻炎或二者兼具造成夜间鼻塞或充血都可能加重OSAHS；除此以外，老年生理变化也是原因之一，老年人局部组织松弛，肌张力减弱，致使咽壁松弛、塌陷而内移，引起打鼾或OSAHS。

图1 阻塞性呼吸暂停气道图

目前阻塞性呼吸暂停检测的金标准是在睡眠实验室中使用多导睡眠仪(In-laboratory Polysomnography，In-lab PSG)记录睡眠事件，记录参数包括血氧饱和度、口鼻气流、呼吸运动、脑电图、睡姿、肌电图、眼电图和心电图等，并进行判读诊断。

图2 多导睡眠仪(In-lab PSG)

该方法可提供足够的细节和准确的结果，但仍有不足，比如需要患者在睡眠实验室里佩戴检测仪器进行整晚睡眠，同时需要一位睡眠医师参与到研究过程中，得到数据后需要人工分析得出结果，因此导致整个过程耗时、价格昂贵，且舒适度低，不适宜应用于庞大的OSAHS患者群体中，也不便于早期的筛查和诊断。

2 现有PSG技术和方法

PSG虽然是检测睡眠呼吸暂停的金标准，但是由于PSG使用的复杂性，现在越来越多的人使用单导联信号进行睡眠呼吸暂停监测，有一些研究采用血氧信号[9]和气流信号[10]，但是更多的研究为了适应硬件条件和便携式穿戴设备的需求，采用的是单导联的ECG信号。很多研究都把注意力放置在了设计不同的特征上，比如C.Varon[13]从ECG信号中提取呼吸信号，然后从呼吸信号中提取7个特征；M.O.Mendez[14]通过KNN算法可以达到85%以上的识别率；Surrel等开发了一个睡眠呼吸暂停系统，通过可穿戴传感器采集到的ECG信号，提取了88个有效特征，然后用SVM进行分类；Bsoul等通过RR序列数据提取了111个特征开发了一套实时的睡眠呼吸检测系统[15]。

近些年随着深度学习的发展，有些研究人员开始用深度学习的方法来研究睡眠呼吸暂停问题，比如D.Dey等直接将ECG原始数据应用在深度神经网络上，来检测睡眠呼吸暂停[16-18]，但是ECG信号采样率在100 Hz，而且受到神经网络的深度限制；通过深度CNN网络模型，分别验证了ECG与EDR的性能，取得了突出进展。综合国内外睡眠呼吸暂停的研究过程，ECG已经成为研究的主流，同时基于RR间隔与深度学习的识别方法也逐渐取代了基于HRV的传统机器学习方法，在性能上有质的提升。

3 研究方法

3.1 数据来源 本方案使用的是Physionet[12]的CinC Challenge 2000数据库(也称为ECG呼吸暂停数据库)，用于训练和评估。此数据集中有70条记录，仅使用了35条带注释的记录。在标记的数据集中，包括30名男性和5名女性，年龄从27～63岁。患者平均年龄46岁，BMI为28±6.5 kg/m2。每位患者的ECG信号记录长度范围为430～578 min，其中总呼吸暂停时间为303±20 min。ECG信号的采样率为100 Hz。所有35次录音均逐分钟贴上标签，以区分呼吸暂停分钟与非呼吸暂停分钟。每分钟的每一段都由专家检查和标注。总共有16 988段分钟。呼吸暂停类包括6 496 min，非呼吸暂停类包括10 492 min。

3.2 算法方案

本算法方案包括数据预处理、模型设计与训练、算法性能比较验证3个部分。

3.2.1 数据预处理 本方案采用的是单导联的ECG数据，所以从ECG的数据处理开始。具体包括：1)R波检测：本方案采用PT算法来进行R波检测。2)片段分割：按照常规的方法，以1 min为单位进行片段分割，因为label也是以1 min为单位标注的，但是这里的数据片段我们选取5 min的R波序列(以1 min为中心，前后各取2 min)作为label对应的数据样本，Apnea数据之间是相互关联，并且不管是Apnea还是Norm事件都有一定的持续性。3)计算RR间期(RR Intervals，RRI)：RRI可以体现心率的变化，反映神经系统的活跃程度，计算相邻R波之间的间隔距离，形成RRI序列。4)去除异常RRI：R波检测不能确保每个检测到的R波都是正确的，那么计算的RRI也会有问题，这里以RRI的均值为中心，删除偏差20%幅度以外的值。5)去除异常片段：对于瞬时心率在30～200次/min以外的RRI视为异常心率。6)2 Hz插值：采用3次样条插值算法，形成每分钟固定120个点的RRI序列。7)去基线：对数据做去基线处理。8)划分数据集：将数据按照8∶1∶1的比例分为训练集、验证集、测试集，进行交叉验证。9)数据归一化：采用z-score标准化的方式将数据归一化。

3.2.2 模型设计 本方案模型采用深度残差网络结构，模型共33层卷积神经网络(Convolutional Neural Networks，CNN)结构，每层CNN之间采用BatchNorm+ReLu的结构，模型有16个Resnet模块，每个Resnet模块由两层CNN组成，同时在resnet模块的两层CNN之间设计有dropout减少过拟合，为了便于设计，模型的通道个数每4层CNN增加一倍，CNN的卷积核大小每4层减小一倍，resnet位置增加的通道部分补零。

图3 ECG数据预处理流程图

算法采用adam优化方法，earlystop训练方式，L2正则，class_weight按照样本比例设计，lr为0.001，并随着valid数据loss变化而衰减，batch_size为128，dropout为0.2。如下图所示。

图4 深度残差网络模型结构图

3.2.3 算法验证 训练集、验证集、测试集按照8∶1∶1的比例分配，共进行10折交叉验证，交叉验证的验证集与测试集测试结果显示算法在验证集与测试集上的结果基本无差别，性能相对稳定。见图5、图6。

图5 验证集交叉验证结果

图6 测试集交叉验证结果

同时对于测试集的测试结果，我们与众多文献做了比较，各指标论文比较结果显示本文算法在正确率、特异性上都超过之前的算法，灵敏度比Lei,et al.del的结果低0.18%，但是同时本算法的特异性和精度要高出2%，算法的误判大幅度减少。见表1。

表1 算法结果与文献结果比较(%)

4 讨论

本方案设计了一种基于深度残差网络(ResNet)模型的算法，实现了睡眠呼吸暂停综合征的准确判断。在方案设计中，首先通过对数据的时间相关性处理，增加数据的表达能力，然后设计基于ResNet的深层网络，进行模型训练，实现了睡眠呼吸暂停识别。本方案使用Apnea-ECG数据库进行模型开发和验证。单分钟SAS的10折交叉验证平均正确率为95.33%。另外，本文方法在整体正确率、特异性、精确度上都比之前的论文有提升，灵敏度也与Lei,et al.del等相差无几。但是算法也有可以优化的方向：1)模型结构可以通过多通道的方式丰富特征；2)增加数据量，现有的数据量相对较少，还需要更广泛地验证和优化。这些研究方向还需要继续探索。