由于宾夕法尼亚州立大学信息科学与技术学院的研究人员开发的一种新方法，那些怀疑自己患有睡眠呼吸暂停的人——以及诊断他们的医生——很快就能在家中自动检测出这种情况。
据研究人员称，这种新工具将深度学习技术与专家知识相结合，其性能优于所有现有的基线方法。它能自动从家庭设备收集的心电图(ECG)数据中学习模式，比其他睡眠呼吸暂停诊断方法更快、更理想。
“目前检测睡眠呼吸暂停的标准方法是让患者在临床医生的监督下在医院过夜，记录多导睡眠图(睡眠研究)，”该论文的第一作者、信息科学与技术博士候选人黄冠杰(音)说。“这个过程耗时、冗长、干扰性强，而且姗姗来迟。”
黄解释说，在通过睡眠研究收集患者的数据后，临床医生需要投入更多的时间和资源来分析数据。睡眠研究测量脑电波、血氧水平、心率、呼吸和身体运动。
黄说:“设计一个精确的模型来自动分析数据，帮助医生快速检测睡眠呼吸暂停，这是至关重要的。”
还有一些工具可以通过家用设备自动检测睡眠呼吸暂停，这些工具使用的是传统机器学习方法构建的计算机模型。传统机器学习方法依赖人类专家的知识，设计手工功能，可以在数据集中识别睡眠呼吸暂停状况，或者通过深度学习方法，因为数据量巨大，所以不需要这些专家。但是，黄说，这些独立的方法也有局限性。
“传统的机器学习方法通常只需要少量的数据来学习一个稳健的分类器，但它需要一个仔细的特征提取和选择过程，”黄解释说。“深度学习方法通常能取得更好的性能，但需要大数据集。”
Huang的模型被称为ConCAD(基于对比学习的睡眠呼吸暂停检测交叉注意)，同时利用深度学习和传统机器学习的专家知识的特点来更好地检测睡眠呼吸暂停。该模型专门利用了RR间隔和R峰包络的专家知识——通过测量标准心电图中测量患者心室壁心律的R波的间隔和峰值来检测睡眠呼吸暂停的现有方法。ConCAD利用交叉注意机制——一个深度学习模块，根据每个部分的重要性分配权重——将深度学习特征与专家知识特征融合，自动强调有用的，忽略不相关的。
ConCAD的工作原理是，首先将原始心电图数据通过特征提取器，从专家知识和深度学习方法中自动学习可能提示睡眠呼吸暂停的模式。然后，这些模式或特性被自动地协同融合，并根据每个模式或特性的重要部分分配权重。然后，通过对比学习过程，相似的特征紧密匹配在一起。最后，根据心电图的最终特征和相应的专家知识对数据进行分类，表明患者存在睡眠呼吸暂停的概率。
为了测试他们的模型，研究人员使用了两个公开可用的心电图数据集，其中包含了超过26,000个由专家注释的片段，每个片段都可以识别呼吸暂停或正常睡眠事件。这些片段包括30秒和两分半钟的输入。与现有的6种最先进的睡眠呼吸暂停检测方法相比，ConCAD优于所有方法。在第一个数据集中，他们的模型在1分钟片段中准确识别了88.75%的睡眠呼吸暂停事件，在5分钟片段中准确识别了91.22%的时间;在第二个数据集中分别为82.5%和83.47%。
“我们的研究结果表明，使用心电图数据自动检测睡眠呼吸暂停是有可能的，这将大大有利于睡眠呼吸暂停患者，因为他们可以在家里使用个人心电图设备来监测他们的睡眠呼吸暂停状况，”信息科学与技术助理教授兼首席研究员马凤龙说。“此外，设计的模型可以帮助医生简化睡眠呼吸暂停的诊断过程。”
马补充说:“这是将专家知识融入深度学习模型用于睡眠呼吸暂停检测的一次新的尝试。我们将继续研究如何利用专家知识指导深度模型的学习。”
研究人员在9月13日至17日举行的欧洲机器学习和数据库知识发现原理与实践会议(ECML-PKDD)上介绍了ConCAD。
