论文总字数：26609字

摘 要

睡眠呼吸暂停综合症是危害人体健康的睡眠疾病，本文旨在基于心电信号对睡眠呼吸暂停事件进行自动识别。

论文实现了两种自动识别睡眠呼吸暂停事件的方法，一种属于传统机器分类法，基于希尔伯特变换得到RR间期的瞬时频率和振幅，运用阈值法识别出睡眠呼吸暂停段；第二种方法运用seq2seq的神经网络模型，将前后相关的RR间期序列编码成固定维数的向量，再解码成对应的标签序列，通过训练学习参数，自动识别睡眠呼吸暂停段。

将两种算法作用到数据库的训练集和测试集，分析基于样本总体睡眠状态和基于每分钟的睡眠状态的分类效果。在训练集上，第一种算法准确度分别为86.2%和86.4%，第二种算法准确度分别为86.2%和81.4%。在测试集上，第一种算法准确度分别为96.6%和81.7%，第二种算法准确度分别为84.4%和83.6%。

实验结果表明希尔伯特变换算法度量特征少但特征值范围只能通过最佳检出率人工制定，seq2seq模型考虑了相邻RR间期的相关性但需训练的参数多。

关键字：睡眠呼吸暂停，RR间期，希尔伯特变换，seq2seq模型

Abstract

Sleep apnea syndrome is a kind of sleep disorder that is harmful to human health. This article aims to identify sleep apnea events based on ECG signals automatically.

The paper implements two methods for recognizing sleep apnea events. One is the traditional machine classification method, which obtaining the instantaneous frequency and amplitude of the RR interval based on the Hilbert transform, so the sleep apnea parts can be identified by the threshold method. The other uses seq2seq model which is a neural network to encode the pre-related RR interval sequence into a fixed-dimensional vector, and then decodes it into a corresponding tag sequence, thus identifying the sleep apnea parts by training the parameters.

Applying the two algorithms to the training set and the test set of the database, and the classification results based on the overall sleep state of the sample and the sleep state based on the minute are analyzed. In the training set, the accuracy of the first algorithm is 86.2% and 86.4%, while the second is 86.2% and 81.4% respectively. In the test set, the accuracy of the first algorithm is 96.6% and 81.7% and the accuracy of the second algorithm is 84.4% and 83.6%, respectively.

The experimental results show that the Hilbert transform algorithm has few metric features but the eigenvalue range can only be manually determined by the optimal detection rate; the seq2seq model considers the correlation of adjacent RR intervals but requires more training parameters.

KEY WORDS: sleep apnea, RR interval, Hilbert transform, seq2seq model

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景 1

1.2研究现状 1

1.3主要内容 2

第二章 基于希尔伯特变换算法识别 3

2.1基础知识 3

2.1.1 RR间期 3

2.1.1算法原理 4

2.1.2希尔伯特变换原理^[10] 4

2.2算法流程 5

2.3模型评价指标 6

2.4算法评价结果 7

2.4.1基于样本的结果分析 7

2.4.2基于每分钟的结果分析 8

2.4.3对测试集检测 10

第三章 基于seq2seq算法识别 12

3.1 RNN结构和变体 12

3.2实现流程 14

3.2.1前期准备 14

3.2.2 seq2seq实现 15

3.3算法评价结果 16

第四章 总结与展望 20

4.1两种算法对比分析 20

4.2进一步工作展望 21

致 谢 22

参考文献 23

第一章 绪论

1.1研究背景

睡眠呼吸暂停综合症（Sleep Apnea Syndrome，SAS）作为一种越来越常见和普遍的睡眠疾病，其男性发病率为4%，女性发病率为2%。1976年，美国斯坦福大学博士Christian Guilleminault等人^[1]将呼吸暂停（Apnea）定义为：持续超过十秒口和鼻都没有气流通过。接着，他们给出睡眠呼吸暂停的定义:“晚间7小时的睡眠时间中出现超过30次及以上呼吸暂停事件，并且每次呼吸暂停的时间超过10秒，则为睡眠呼吸暂停事件” ^[1]。1999年，美国睡眠医学学会（AASM）制定了一种标准用以判定睡眠呼吸暂停综合症，这种标准表现为：病人在晚间睡眠中每小时呼吸暂停次数大于或等于5，则被诊断为睡眠呼吸暂停。

根据病因和表现形式不同，可以把睡眠呼吸暂停综合症分为三种类型：阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea，OSA），中枢性睡眠呼吸暂停（Central Sleep Apnea，CSA）和混合型睡眠呼吸暂停（Mixed Sleep Apnea，MSA）。它是心血管疾病的独立危险因素之一，会造成人体夜间反复间接性缺氧，使得二氧化碳滞留，造成睡眠片段化甚至睡眠剥夺。 此外，打鼾作为睡眠呼吸暂停综合症（SAS）的重要和潜在的标志，对人体的睡眠有着鲜明的影响。通过对睡眠呼吸障碍流行病学的进行调查，我们得知，睡眠呼吸暂停综合症人群的发病率约为19%，40岁至69岁人群约为30%，男性和女性的发病率分别是25%和15%。国内张清安学者对9831例不同年龄各行业人群调查发现，打鼾人数约4.6%，其中男性3.4%，女性1.3%。359家医院对1808例老年人调查，打鼾发病率约为46%。对于、平均鼾声强度分贝的男性，SAS发生概率增加4倍。若病人得不到及时治疗，会诱发心血管疾病^[4]如常见的冠心病、高血压、心律失常、肺动脉高压^[5]等。随着人们对睡眠质量越来越重视以及睡眠医学的逐步发展，睡眠呼吸暂停综合征已成为目前临床研究的热门话题。

1.2研究现状

传统监测睡眠呼吸暂停综合症的标准方法是多导睡眠图检测（Polysomnography，PSG），它主要运用其他分析软件分析多导睡眠图的各项信号特征，进而了解患者的睡眠状况，专业人员再人工分析矫正，从而为患者治疗带来更准确的判断。

但PSG检测对患者来说是昂贵的，因为他们需要在睡眠实验室进行通宵评估，并配备有专门的系统和护理人员，要求采集至少7小时以上包含呼吸信号等多种数据。由于同时测量多项生理变化，PSG检测时连接的传感器会影响人体睡眠的舒适度，采集到的信号特别是呼吸信号跟实际的偏差会很大，影响判断。

剩余内容已隐藏，请支付后下载全文，论文总字数：26609字