基于卷積神經(jīng)網(wǎng)絡(luò)的非接觸式呼吸暫停算法研究分析

1、 基于卷積神經(jīng)網(wǎng)絡(luò)的非接觸式呼吸暫停算法研究 黃永鋒 江依鵬 楊樹臣摘 要：本文基于壓電陶瓷傳感器信號，提出了一種一維卷積神經(jīng)網(wǎng)絡(luò)的睡眠呼吸暫停綜合征檢測算法。該算法利用嵌入智能床墊的壓電陶瓷傳感器采集頭部運動作為輸入信號。卷積神經(jīng)網(wǎng)絡(luò)模型包括6層的卷積層，每層包含一個ReLU激活函數(shù)，一個批歸一化（Batch Normalization，BN）層、 一個dropout層以及一個最大池化層。同步采集了11位測試者的壓電陶瓷傳感器信號和多導(dǎo)睡眠圖信號，生成了40 988個樣本，正負(fù)樣本均衡。訓(xùn)練集、驗證集、測試集按照60%、20%、20%的比例進行劃分。最終，本文所提出的檢測模型在測試集上得到了

2、92.76%的準(zhǔn)確率，88.67%的精準(zhǔn)率，98.06%的召回率，93.13%的F1-得分。Key：呼吸暫停;壓電陶瓷;卷積神經(jīng)網(wǎng)絡(luò)：2095-2163（2019）04-0104-04 ：TP391.3 文獻標(biāo)志碼：A0 引 言睡眠呼吸暫停綜合征（Sleep Apnea Syndrome，SAS）是一種常見的呼吸類疾病，可以分為3類：阻塞性呼吸暫停、中樞性呼吸暫停和混合性呼吸暫停，其中阻塞性呼吸暫停是最為常見的呼吸暫停類型1。據(jù)報道，一般人群中重度阻塞性呼吸暫停的患病率大約為6%17% 2。睡眠呼吸暫停綜合征會帶來例如白天嗜睡、疲倦、記憶力下降甚至認(rèn)知功能下降，同時還是引發(fā)或加重心腦血管疾病的

3、一個因素3。因此需要盡早的對睡眠呼吸暫停綜合征進行檢測和治療以減少以上問題的發(fā)生。目前，多導(dǎo)睡眠圖（polysomnography，PSG）被認(rèn)為是用來診斷睡眠呼吸暫停綜合征的“金標(biāo)準(zhǔn)”4，可以記錄測試者睡眠過程中呼吸暫停、睡眠周期等多項睡眠指標(biāo)。但是PSG也有一些不足。例如設(shè)備昂貴、需要大量傳感器連接測試者、操作復(fù)雜，過多的傳感器會影響測試者的正常睡眠。因此，眾多學(xué)者提出了僅使用一種或少量幾種信號的睡眠呼吸暫停綜合征檢測方法。這些研究一般基于ECG5-7、鼻息氣流8-9、血氧飽和度10、鼾聲11等信號展開，并取得了不錯的檢測結(jié)果。但這些信號的采集依然需要將傳感器直接連接測試者，影響測試者的正

4、常睡眠。近年來一些學(xué)者提出通過心沖擊圖（ballistocardiography，BCG）信號來檢測睡眠呼吸暫停綜合征的方法12-13。BCG是描述心臟在周期性地泵血和血液在動脈樹流動過程中產(chǎn)生的微弱的作用力14。通過測量這種作用力，可以獲得心臟的機械健康狀況，并且不需要將傳感器連接到測試者身體上。BCG信號可以使用多種類型的傳感器進行測量，例如壓電陶瓷傳感器12、微彎光纖傳感器13等。目前基于BCG信號進行睡眠呼吸暫停綜合征檢測的研究不多，在少數(shù)的研究中，一般采用的是基于統(tǒng)計的方法。本文提出了使用壓電陶瓷傳感器信號，通過一維卷積神經(jīng)網(wǎng)絡(luò)算法進行睡眠呼吸暫停綜合征的非接觸式檢測。采用11位測試

5、者整夜8 h的睡眠數(shù)據(jù)進行訓(xùn)練測試，最終在測試集上得到了92.76%的準(zhǔn)確率。1 數(shù)據(jù)集和網(wǎng)絡(luò)模型1.1 數(shù)據(jù)的獲取本文的實驗數(shù)據(jù)是使用上海躍揚醫(yī)療科技有限公司所生產(chǎn)的基于壓電陶瓷的智能床墊與上海某醫(yī)院的PSG設(shè)備同步采集的數(shù)據(jù)。床墊內(nèi)嵌了18個壓電陶瓷傳感器，每9個傳感器分為一組，一組負(fù)責(zé)采集胸部起伏信號，另一組負(fù)責(zé)采集頭部起伏信號。通過將床墊鋪設(shè)在PSG設(shè)備下方，與PSG設(shè)備同步采集整晚的測試數(shù)據(jù)。本文從PSG設(shè)備上提取了自動診斷的呼吸暫停記錄以及用于對齊床墊信號與PSG信號中的胸廓帶信號，呼吸暫停記錄描述的是呼吸暫停的類別、發(fā)生時間、持續(xù)時間（s），其中呼吸暫停類別包括阻塞性呼吸暫停、中

6、樞性呼吸暫停、混合性呼吸暫停、低通氣。每個壓電陶瓷傳感器的采樣頻率是50個采樣點/s。本文一共采集了11位測試者整晚8 h的睡眠數(shù)據(jù)。1.2 數(shù)據(jù)的預(yù)處理及標(biāo)注1.2.1 數(shù)據(jù)預(yù)處理原始信號的采樣頻率為50 Hz，為了使網(wǎng)絡(luò)模型能夠從樣本中提取出更多的信息，本文使用一個零相位低通FIR濾波器將原始信號采樣頻率上調(diào)到200 Hz。1.2.2 標(biāo)注經(jīng)過數(shù)據(jù)增強后的信號被一個步長為1 s，窗口為10 s的滑動窗口分割成各個樣本。樣本被標(biāo)注為2種類型：呼吸暫?；蛘！：粑鼤和Ｖ傅氖亲枞院粑鼤和：椭袠行院粑鼤和?，這里不包括混合性呼吸暫停和低通氣的原因是壓電陶瓷傳感器采集的信號與二者的相關(guān)性不足。對于每

7、個樣本，如果超過80%的時間處于阻塞性或中樞性呼吸暫停，則標(biāo)記為呼吸暫停;如果超過80%的時間處于正常則標(biāo)記為正常。對于這個閾值的設(shè)定，本文嘗試了60%100%，最終發(fā)現(xiàn)80%效果最好。為了避免某一類樣本過多從而影響分類效果，通過隨機舍棄了一部分樣本的方法使數(shù)據(jù)集的正負(fù)樣本數(shù)量均衡。數(shù)據(jù)集總樣本數(shù)為40 628，根據(jù)60%/20%/20%劃分訓(xùn)練集/驗證集/測試集。訓(xùn)練集包括12 368個呼吸暫停樣本和12 368個正常樣本，驗證集和測試集分別包括4 063個呼吸暫停樣本和4 063個正常樣本。1.3 卷積神經(jīng)網(wǎng)絡(luò)模型本文參考了文獻7的模型，設(shè)計了一個6層卷積神經(jīng)網(wǎng)絡(luò)模型，如圖1所示。第一層和

8、第二層由50個卷積核為20*1的filter構(gòu)成;第三層和第四層由24個卷積核為24*1的filter構(gòu)成;第五層由24個卷積核為10*1的filter構(gòu)成;第六層由12個卷積核為10*1的filter構(gòu)成。對于每個卷積層，卷積的步長都為1。使用了ReLU作為激活函數(shù)，在每個ReLU后面進行了一個批歸一化（Batch Normalization， BN），關(guān)于BN層的位置，目前存在著許多爭論，BN的原始論文中是將BN層放在激活函數(shù)前15，但一些學(xué)者發(fā)現(xiàn)將BN層放在激活函數(shù)后dropout前能取得更好的效果，本文通過對比實驗發(fā)現(xiàn)，在本文的模型中，將BN放在激活函數(shù)后，得到的效果更好。從第二層開始

9、，每個BN層之后都進行一個dropout來防止過擬合。本文在每個卷積層都有一個尺寸為2的最大池化層。最終通過一層全連接層結(jié)合softmax激活函數(shù)輸出預(yù)測結(jié)果。1.4 評價指標(biāo)為了驗證本文所提出的模型性能，本文使用了以下幾個評價指標(biāo)對模型進行評價：準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall），F(xiàn)1值（F1-score）。各項指標(biāo)的定義如下：其中：TP表示預(yù)測為呼吸暫停實際為呼吸暫停;TN表示預(yù)測為正常實際為正常;FP表示預(yù)測為呼吸暫停實際為正常;FN表示預(yù)測為正常實際為呼吸暫停;F1是綜合考慮精確率和召回率的一個評價指標(biāo)。另外本文還使用混淆矩陣（Confus

10、ion Matrix）展示模型性能。2 實驗與結(jié)果分析本文通過pytorch實現(xiàn)了所提出的模型。使用batch size=256的mini-batch方法進行訓(xùn)練，使用交叉熵（cross-entropy）損失函數(shù)進行誤差計算，使用Adam優(yōu)化器進行梯度更新，相關(guān)參數(shù)為學(xué)習(xí)率lr=0.001，weight_decay=0.001，學(xué)習(xí)率每經(jīng)過20個epoch衰減為原來的0.1倍。實驗所采用的輸入信號是放置于頭部下方的9個壓電陶瓷傳感器平均信號，輸入形式為1 *2 000，計算如公式（5）所示，其中Sensori表示頭部下方的第i個傳感器。2種輸入在測試集上的表現(xiàn)見表1。在測試集上的混淆矩陣見表2

11、。Reference1夏俊娣， 杜鐘珍. 睡眠呼吸暫停綜合征的綜述J. 臨床肺科雜志， 1999（2）：86-88.2 MENDONCA F ， MOSTAFA S S ， RAVELO-GARCIA A G ， et al. A review of obstructive sleep apnea detection approachesJ. IEEE Journal of Biomedical and Health Informatics， 2019，23（2）：825-827.3 何權(quán)瀛， 王莞爾. 阻塞性睡眠呼吸暫停低通氣綜合征診治指南（基層版）J. 中國呼吸與危重監(jiān)護雜志， 2015，

12、 14（4）：398-405.4 葉志前， 鄭濤， 裘利堅. 睡眠監(jiān)護技術(shù)的發(fā)展J. 國際生物醫(yī)學(xué)工程雜志， 2003， 26（6）：244-248.5 URTNASAN E， PARK J U， LEE S Y， et al. Optimal classifier for detection of obstructive sleep apnea using a heartbeat signalJ. International Journal of Fuzzy Logic and Intelligent Systems， 2017， 17（2）：76-81.6 URTNASAN E ， PAR

13、K J U ， JOO E Y ， et al. Automated detection of obstructive sleep apnea events from a single-Lead electrocardiogram using a Convolutional Neural NetworkJ. Journal of Medical Systems， 2018， 42（6）：104.7 BANLUESOMBATKUL N， RAKTHANMANON T， WILAIPRASITPORN T. Single Channel ECG for Obstructive Sleep Apne

14、a Severity Detection Using a Deep Learning ApproachC/TENCON 2018：2018 IEEE Region 10 Conference. Jeju Island， Korea：IEEE， 2018：2011-2016.8 HAIDAR R， KOPRINSKA I， JEFFRIES B. Sleep apnea event detection from nasal airflow using convolutional neural networksC/International Conference on Neural Informa

15、tion Processing. Cham：Springer， 2017：819-827.9 KOLEY B L， DEY D. Automatic detection of sleep apnea and hypopnea events from single channel measurement of respiration signal employing ensemble binary SVM classifiersJ. Measurement， 2013， 46（7）：2082-2092.10MORILLO D S， GROSS N. Probabilistic neural ne

16、twork approach for the detection of SAHS from overnight pulse oximetryJ. Medical & biological engineering & computing， 2013， 51（3）：305-315.11孟澤民， 林生生. 基于神經(jīng)網(wǎng)絡(luò)的家用型睡眠呼吸暫停綜合癥監(jiān)測系統(tǒng)J. 計算機系統(tǒng)應(yīng)用， 2014， 23（3）：220-223，131.12HWANG S H， LEE H J， YOON H N， et al. Unconstrained sleep apnea monitoring using polyviny

17、lidene fluoride film-based sensorJ. IEEE Transactions on Biomedical Engineering， 2014， 61（7）：2125-2134.13SADEK I， SEET E ， BISWAS J ， et al. Nonintrusive vital signs monitoring for sleep apnea patients：A preliminary studyJ. IEEE Access， 2018，6：2504-2514.14STARR I， SCHROEDER H A. Ballistocardiogram. II. Normal standards， abnormalities commonly found in diseases of