TF-HyperNet:基于双流时频融合与软间隔超盒决策头的睡眠呼吸暂停检测
《Biomedical Signal Processing and Control》:TF-HyperNet: Sleep apnea detection using dual-stream time–frequency fusion and a soft-margin hyperbox decision head
【字体:
大
中
小
】
时间:2026年10月12日
来源:Biomedical Signal Processing and Control 5.7
编辑推荐:
摘要
睡眠呼吸暂停(SA)是一种常见的与睡眠相关的呼吸障碍,对公共卫生构成重大威胁。基于深度学习的心电图(ECG)检测方法在临床应用中具有广阔前景。然而,实际临床监测受到类别不平衡和异质性病理信号形态的挑战。为应对这些挑战,我们提出了TF-HyperNet,一个将多尺度时频
摘要
睡眠呼吸暂停(SA)是一种常见的与睡眠相关的呼吸障碍,对公共卫生构成重大威胁。基于深度学习的心电图(ECG)检测方法在临床应用中具有广阔前景。然而,实际临床监测受到类别不平衡和异质性病理信号形态的挑战。为应对这些挑战,我们提出了TF-HyperNet,一个将多尺度时频表示与软间隔超矩形盒决策头(SHBDH)相结合的分类框架。该框架采用双流时频编码器,从心电图导出的RRI和AMP序列中同时提取多尺度时域和频谱表示,生成互补的时域和频域表示。在分类过程中,多中心映射模块将具有高类内变异的异常样本划分为多个子集。随后,SHBDH为每个子类定义具有明确上下界的超矩形盒决策区域,并使用LogSumExp聚合各子类的包含裕度以获得类别级分数。为减少不平衡数据分布下的决策区域重叠,我们进一步引入了一种基于各特征维度平均重叠长度的维度级重叠正则化方法。通过对各特征维度上的跨类重叠进行惩罚,该正则化方法促进了更具可分性的子类决策区域。在PhysioNet Apnea-ECG数据集上进行的10次重复实验中,TF-HyperNet的平均分类准确率为92.55±0.21%,灵敏度为90.08±0.42%,特异度为94.08±0.27%。研究结果表明,在所评估的基准设置下,TF-HyperNet为基于心电图的SA检测提供了一种有效的方法。
引言
睡眠呼吸暂停(SA)的特征是睡眠期间因上气道塌陷而反复发作的呼吸停止事件[1]。SA与间歇性低氧血症以及心血管疾病和代谢性疾病风险增加相关[2],[3]。多导睡眠图(PSG)目前被认为是诊断SA的临床参考标准[4]。然而,PSG技术复杂、成本高,通常需要在实验室环境中进行,可能会干扰正常睡眠;这些局限性阻碍了其在人群筛查和长期家庭监测中的应用,并导致了大量漏诊[5]。因此,开发低成本、非侵入性的自动化SA检测算法对于早期筛查和临床决策支持具有重要的实际意义[6]。
近年来,单导联心电图(ECG)因其便捷性和可及性而被认为是SA检测的实用替代方案[7]。与SA相关的自主神经和呼吸改变反映在心电图导出的R-R间期(RRI)和R波振幅(AMP)的周期性波动中[8]。深度学习的进展极大地推动了基于心电图的SA检测方法的发展[9],[10]。然而,面向实际临床监测的模型开发仍受到两大主要挑战的制约:类别不平衡和高类内变异。为应对临床数据集中普遍存在的类别不平衡问题(通常表现为少数类样本不足),早期医疗人工智能研究通常采用数据层面的重采样技术,包括综合少数过采样技术(SMOTE)和生成对抗网络,以合成少数类样本并重平衡类别分布[11],[12]。尽管这些方法可以实现数值上的类别平衡,但合成样本的生成可能会破坏心电图信号固有的时序依赖性和非线性结构,同时引入额外噪声,从而限制了其在特征空间中解决类别重叠问题的能力[13]。为克服数据层面方法的局限性并进一步缓解特征空间中的类别重叠,研究人员采用了度量学习和原型网络等表示学习方法,以优化特征距离并促进类内紧凑性[14],[15]。然而,这些方法通常假设每个类别都可以由单个原型中心充分表示。由于患者间基础心率的差异和夜间生理状态的波动,被分配到同一类别的信号片段可能表现出显著的波形异质性,从而导致高类内变异[16]。强制将形态异质性的特征向量对齐到单一中心可能会破坏病理信号固有的局部邻域结构。因此,少数类的表示可能在特征映射过程中与大量的多数类表示纠缠在一起,从而阻碍有效决策边界的构建[17],[18]。
除数据和特征层面的策略外,现有方法还在决策和模型优化阶段进行了改进。一种常见策略是将线性分类器与代价敏感学习相结合,通过对少数类分配固定的较高损失权重来减轻预测偏差[19],[20]。然而,该策略在以类别不平衡为特征的SA检测任务中存在固有局限。首先,传统线性分类器通常依赖线性决策边界,因此无法为各个类别明确划定有界决策区域[21],[22]。在处理具有多样形态的异常心电图片段时,此类分类器可能无法精确划定对应于病理信号的区域,从而增加漏掉非典型异常样本的风险[23]。其次,现有代价敏感方案通常仅基于总体类别比例分配固定损失权重。这种静态加权策略仅考虑类别流行度的全局差异,而忽略了训练中实际的类间混淆程度[24],[25]。由于模型无法对容易混淆的样本动态调整惩罚强度,其决策边界可能偏向于丰富的正常类别,最终降低了对SA事件的灵敏度[26]。
为应对这些挑战,我们提出了TF-HyperNet,一个将多尺度时频表示与软间隔超矩形盒决策头(SHBDH)相结合的分类框架。具体而言,TF-HyperNet采用双流时频编码器来提取局部波形和全局节律的互补表示。在分类过程中,多中心架构自适应地将形态异质性的异常心电图信号聚类为多个特征子集,从而保留了病理模式的类内多样性。为克服传统线性分类器缺乏显式空间约束的问题,我们设计了一个软间隔超矩形盒决策头,为每个特征子集构建有界决策区域。此外,为缓解高维特征空间中的类间边界纠缠,我们引入了一种维度级重叠正则化机制,通过惩罚各特征维度上的跨类重叠来促进更具可分性的类别特定决策区域。
本研究的主要贡献总结如下:
1. 我们提出了一种多尺度时频融合与多中心映射架构,该架构在多个时间尺度上提取时域和频谱特征,并使用多个中心将病理信号划分为不同的特征子集,从而避免了对病理特征进行强制单一原型对齐时造成的信息丢失。
2. 我们设计了一个软间隔超矩形盒决策头,为各特征子集建立有界决策区域,并使用LogSumExp函数聚合子类特定的包含裕度,从而解决了传统分类器在界定异常特征分布范围时面临的困难。
3. 我们提出了一种维度级重叠正则化策略,该策略显式惩罚子类超矩形盒之间的跨类重叠。通过对特征维度和子类对之间的重叠长度进行平均,而非直接计算高维交集体积,所提出的方法改进了优化稳定性并促进了更具可分性的决策区域。
各节内容
基于心电图的睡眠呼吸暂停检测——早期的自动化SA检测方法主要依赖于从心电图信号中提取的手动特征。随着深度学习的进展,端到端神经网络已被广泛应用于该领域的特征学习。例如,Nguyen等人提出了一种基于S波峰值检测的特征提取方法,并结合卷积神经网络(CNN)用于检测单导联心电图中的SA片段[27]。Vu等人采用了SE-ResNet模型来学习心电图表示用于……
总体网络架构——为应对类别不平衡引起的决策边界偏差以及病理信号形态异质性导致的特征纠缠,我们提出了TF-HyperNet,一个将多尺度时频表示与软间隔超矩形盒决策头(SHBDH)相结合的分类框架。如图1所示,所提出的框架包含三个主要阶段。首先,多尺度时域和频谱编码器并行运行以提取时域……
数据集描述——本研究使用了公开发布的PhysioNet Apnea-ECG数据集[39],[40],该数据集广泛用于睡眠呼吸暂停(SA)检测。该数据集包含70段隔夜单导联心电图记录,采样率为100 Hz,由专业医师提供了分钟级的呼吸暂停标注。按照官方数据划分方案,35段记录(a01–a20、b01–b05和c01–c10)被用作开发集,其余35段记录(x01–x35)保留为独立测试集。
与最先进方法的比较——为评估TF-HyperNet的SA检测性能,我们在PhysioNet Apnea-ECG数据集上将其与几种现有方法进行了比较;详细结果见表4。如表4所示,与现有睡眠呼吸暂停检测方法相比,TF-HyperNet取得了有竞争力的性能。SE-ResNeXt-50 [28]和CNN+Bi-LSTM [21]的灵敏度相对较高,但其特异度低于TF-HyperNet。相比之下,DM-IACNN [42]和MTCNet [29]取得了较高的……
结论——为应对基于心电图的睡眠呼吸暂停(SA)检测中的类别不平衡和类内变异问题,我们提出了TF-HyperNet,一个深度学习分类框架。TF-HyperNet采用双流时频编码器融合多尺度时域和频谱特征,并将多中心映射架构与SHBDH相结合,为复杂的病理信号构建自适应的有界决策区域。此外,维度级重叠正则化抑制了过度的……
CRediT作者贡献声明
李锦航:撰写——审稿与编辑,撰写——初稿,可视化,方法论,概念化。
李琦:项目管理,资金获取。
朱云飞:撰写——审稿与编辑。
罗婉婷:撰写——审稿与编辑。
徐新磊:撰写——审稿与编辑。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文所报告的工作。
致谢
本研究获得了吉林省教育厅科学研究项目(JKH20262253BS)和中山创新研究团队项目(CXTD2023007)的资助。
李锦航 | 李琦 | 朱云飞 | 罗婉婷 | 徐新磊
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号