本文是一篇医学论文，本文的实验数据来自公用数据集SHHS，数据来源于国外患者，并且数据采集时间从上世纪九十年代持续到本世纪初，跨度较长，将其训练得到的网络模型应用到本国患者上的分类效果有待验证。
1 绪论
1.1 课题背景及意义
随着我国现代化进程的推进，居民工作与生活压力的增大，以及人口老龄化的加剧，阻塞性睡眠呼吸暂停综合征（Obstructive sleep apnea syndrome ，OSAS）的患病率在逐年升高。OSAS是一种常见的睡眠呼吸障碍疾病，睡眠时反复发作的完全（呼吸暂停）或部分（低通气）上气道阻塞是导致OSAS发生的直接原因。上述呼吸事件（呼吸暂停、低通气）往往会导致患者血氧饱和度下降，并通常在睡眠短暂唤醒后终止[1]。OSAS是指在夜间睡眠7 ~8h内，患者口或鼻腔内气流停止持续10 s以上（含 10 s），且每晚停止次数超过 30 次; 或平均每小时低通气次数大于等于 5 次，而引起慢性低氧血症及高碳酸血症的临床综合征。OSAS患者主要临床表现为气短、头晕、呼吸急促、白天嗜睡、睡眠结构紊乱，注意力不能有效集中等，同时可能发生心律失常、语音异常、超重、颅内压增高、高血压、肺动脉高压等体征表现[2]，OSAS会使患者罹患心血管和代谢疾病的风险增加2~3倍[3]。有研究表明OSAS 具有死亡率高、预后差的特点[4]。因此，对睡眠呼吸暂停疾病的早期诊断、早期干预、早期诊疗尤为迫切。
通常来说多导睡眠图（Polysomnography ，PSG）是检测呼吸暂停等相关呼吸事件继而诊断OSAS的金标准[5]，但PSG信号本身的获取较为繁琐[6,7]，需要在专业的睡眠中心由专业人员进行长达7~9h包括脑电信号、心电信号、鼻气流信号在内的数十种生理信号的持续采集，这一过程中患者可能由于各种传感器的存在而产生不适感，再加上PSG信号的数据分析也较为复杂费时，整个过程对于患者而言花费较高，诊断经济压力较大、耗时较长，这也是PSG诊断OSAS的局限性所在。
1.2 研究现状
自从上世纪九十年代以来，各国睡眠领域内的科研人员相继提出了很多关于检测呼吸暂停以及进行睡眠分期的方法，并且为了实现在此基础上尽可能地使用较少的生理信号的目的而一直创新研究。最开始的多数研究都将研究重点放在从各种生理信号中提取包括频域、时域、非线性在内的特征，然后通过特征筛选及模式识别来达到检测的目的，即传统的机器学习方法。
在呼吸暂停检测方向上，例如Solà-Soler等人利用支持向量机（Support Vector Machine, SVM）的方法对36名患者的鼾声信号进行特征筛选，最后在对OSAS进行严重程度的分级上达到了83.3%的准确率[8]。Marcos等人利用多层感知机（Multi-layer Perceptron, MLP）的方法对240名患者的夜间血氧浓度进行分析，最终在AHI指数自动预测上实现了91%的准确率[9]。Haitham等人也采用支持向量机的方法，通过从呼吸音信号的幅度和相位中提取特征，并与心率变异性和氧饱和度信号的其它特征进行比较和结合，来进行呼吸音信号正常和呼吸暂停的分类，在针对呼吸事件进行分类时准确率为82.4%、特异性91.4%[10]。
而在睡眠分期方向上，小波变换和希尔伯特-黄变换（Hilbert-Huang Transform，HHT）等两种经典的机器学习方法也被常用于提取脑电信号中的特征。Amin[11]等人对比了离散小波变换和快速傅里叶变换在脑电信号时域及频域特征提取的效果，对比发现离散小波变换的效果更好。Shen xunlei[12]等人利用小波包改进的HHT方法对脑电信号进行睡眠分期也取得了87.73%的准确率。进行特征提取后再进行模式识别进行睡眠分期的自动分类，常见方法有人工神经网络（Artificial Neural Network，ANN）、SVM等。Tagluk[13]等人将人工神经网络的方法应用于21位志愿者的EEG、EOG、EMG中进行信号特征分类，取得了较好的分类效果，证实了ANN网络在睡眠分期进行分类的有效性。Huang[14]等人利用SVM对10位患者的睡眠前额脑电信号进行特征分类，取得了77%的准确度，为家庭环境下对患者进行睡眠监测提供了可能性。
2 基于脑电信号的睡眠分期
2.1 引言
卷积神经网络CNN近年来一直被广泛应用于图像分类领域、目标检测领域、自然语言识别以及语义分割领域等[20]，并且在上述这些领域内都取得了许多的创新性成果[21-23]。如经典的Le-Net5[24]、AlexNet[25]、VGG[26]、GoogleNet[27]、ResNet[28]等不同的CNN网络均在图像分类领域取得了长足的进步，不断刷新着记录。而在自然语言及音频信号处理上也有人将隐马尔可夫与CNN结合建立识别语音的模型[29]，展现出了CNN对一维信号上优秀的处理能力。
鉴于CNN网络在这些方向上的广泛应用，在这部分内容里，本文将有监督的卷积神经网络应用于单通道的原始脑电信号上，通过脑电信号对患者夜间睡眠时间进行睡眠分期。之所以选用脑电信号作为睡眠分期的数据来源，是因为在睡眠分期领域，睡眠脑电信号是人脑神经细胞电生理活动的直接反映[30,31]，是睡眠各阶段信息的重要直接记录，其中包含着重要的生理病理信息，再加上脑电数据相对于其他信号较容易获取，通过EEG信号进行睡眠分期更有助于全面完善地诊断相关睡眠疾病。
2.2 实验数据与方法
2.2.1 实验设备与开发环境
实验环境配置如下：Inter Core i5-9400F处理器，NVIDIA GeForce RTX 2070 SUPER核心显卡，DDR4 32GB内存，基于win10的系统环境，利用tensorflow作为深度学习框架，开发语言为python，使用的python版本为python3.6。训练过程由Adam梯度下降算法监督完成。
2.2.2 实验数据来源及介绍
本实验的数据来自睡眠心脏健康研究（sleep heart health study，SHHS）数据库，它是由约翰霍普金斯大学和美国国家心肺血液研究所共同开发，是一项聚焦于睡眠呼吸障碍和相关心血管疾病的研究，主要目的是研究睡眠呼吸障碍疾病与冠心病、中风、高血压之间的关系，数据均采集于自愿参加该项目的40岁以上患有睡眠呼吸疾病的成年人，要求这些患者无睡眠呼吸暂停治疗史、未进行气管造口术、未进行家庭氧疗等。
SHHS数据库中的原始数据分两批 ，分别为SHHS1以及SHHS2。第一批患者于1995~1998年收集数据，共计6441人，第二批患者于2001~2003年完成数据收集，共计3295人。两批患者均为40岁以上成年人，最后SHHS1中采集PSG数据5793条，SHHS2中收集PSG数据2651 条。
SHHS数据库中的PSG数据包含着脑电、双侧眼电、颏下肌电、胸腹体积变化、鼻气流、指尖脉搏波血氧含量、心电在内的数十种生理信号，主要的生理信号采样率如表2.1所示。
3 基于心电信号的呼吸暂停检测 ................................... 14
3.1 引言 .......................................... 14
3.2 实验数据与方法 ......................................... 14
4 总结与展望 ....................... 21
4.1 总结 ....................................... 21
4.2 展望 ...................................... 22
3 基于心电信号的呼吸暂停检测
3.1 引言
睡眠中发生呼吸暂停或者低通气等呼吸事件会通过人体交感神经的反应影响心电信号，使心电图产生形态学的差异，产生包括心电信号R峰振幅的微小变化和呼吸变化引起的基线波动，以及心跳间隔时间的减少等变化。这就为通过心电信号检测呼吸暂停等相关呼吸事件奠定了生理学基础。近几年来有多位学者利用心电信号及其衍生信号结合深度学习的方法来探索单导联信号检测呼吸事件的可行性，例如Erdenebayar[35]等人利用短时傅里叶变换将心电信号转换为二维图像，再将其作为二维卷积神经网络的输入；另一篇文章[36]里他还利用一维卷积神经网络对原始单导联心电数据进行呼吸事件的多分类；再如Ayako lwasaki[37]等人利用心电RR间期数据对长短时记忆模型（LSTM）进行训练来检测呼吸事件。上述这些研究均取得了不错的结果，也说明了利用深度学习方法处理心电数据检测呼吸事件的研究价值。鉴于以上，本章设计搭建了一个三层的LSTM模型，利用心电信号对模型进行训练，期望达到检测呼吸暂停的目的。
4 总结与展望
4.1 总结
一、阻塞性睡眠呼吸暂停综合征（OSAS）作为常见的睡眠呼吸疾病，在我国影响着数量众多的患者的生活质量。诊断OSAS的金标准是通过PSG数据，由专业的睡眠专家进行标注分析得到，这一过程不仅消耗医疗机构较大的医疗资源，而且会对患者造成较大的经济压力，并且这一过程耗时较长，会增加患者就医的时间成本。为了减轻OSAS患者就医压力，如何借助计算机通过较少的生理信号辅助诊断OSAS成为了本领域内的研究热点。本文设计搭建了一维卷积神经网络用于脑电信号的睡眠分期研究，同时也设计搭建了LSTM网络用于基于心电信号的呼吸事件检测，以此来解决准确诊断OSAS中的两部分关键问题。
二、鉴于美国睡眠医学会在ICSD一书中定义的关于OSAS的诊断标准，诊断OSAS的关键在于识别睡眠期间内发生的呼吸事件，故本研究首先针对脑电的睡眠分期设计搭建了一维卷积神经网络，并且成功实现了基于原始未处理脑电信号的五分类睡眠分期。对比其他实验的睡眠分期效果，验证了本实验的可行性及优势性。进行脑电睡眠分期试验后，本研究将目光聚焦于基于心电信号的呼吸事件检测上，设计搭建了三层的长短时记忆神经网络，利用原始心电信号也取得了不错的呼吸事件检测效果，对比一些传统的机器学习方法有一定的检测优势。本文的两部分主要工作都是基于原始的单通道生理信号，不过分依赖对原始数据的优化预处理、使用的网络结构相对轻量简便、实验数据量较大是本研究的重要优势，在无需复杂耗时的特征提取的情况下，仍能完成对较多实验数据的特征学习，在减弱了手动提取特征带来的人为干扰的基础上对实验数据进行自动分类，具有良好的应用价值以及发展前景。
三、通过本实验的两部分工作的基础性研究，可以在准确划分睡眠时间的基础上，对睡眠中的呼吸事件进行检测，排除觉醒期间发生的呼吸事件，从而提高AHI指数的计算准确度，有效缩短呼吸事件的标注时间，降低OSAS诊断的临床要求，为缩减诊断OSAS所需信号通道数、辅助诊断OSAS打下了实验基础。
参考文献（略）