鄒漢榮，何漢武

（廣東工業(yè)大學(xué) 機(jī)電工程學(xué)院，廣東 廣州 510006）

睡眠呼吸暫停綜合征（sleep apnea syndrome,SAS）是指在睡眠狀態(tài)下反復(fù)出現(xiàn)口與鼻的氣流中斷停止10 s 以上現(xiàn)象的睡眠障礙疾?。?］。SAS 的主要影響在于睡眠過程中的慢性間歇性低氧和反復(fù)微覺醒。嚴(yán)重影響睡眠質(zhì)量、白天精神狀態(tài)。SAS 在未得到及時治療的情況下，還會引發(fā)高血壓、冠心病、腦卒中等并發(fā)癥［2］。

在傳統(tǒng)醫(yī)學(xué)診斷中，使用多導(dǎo)睡眠儀（polysomnography,PSG）對睡眠進(jìn)行監(jiān)測是檢測SAS 的“金標(biāo)準(zhǔn)”［3］。PSG 可以記錄被試者夜晚睡眠狀態(tài)下的腦電、眼電、肌電、呼吸、血氧等生理信號，但是需要其在醫(yī)院進(jìn)行睡眠監(jiān)測。身上粘貼的電極片會對被試者睡眠產(chǎn)生干擾，影響被試者的睡眠質(zhì)量，從而導(dǎo)致測量偏差。監(jiān)測記錄完成后，需要醫(yī)生閱讀PSG 圖，并進(jìn)行人工判斷，判斷的過程耗費大量的時間和精力。

SAS 在我國的患病率在4%左右，是一種常見病，然而SAS 的診斷需要PSG。多導(dǎo)睡眠儀價格昂貴，目前只有大、中城市三級醫(yī)院或部分二級醫(yī)院才有條件對該病進(jìn)行規(guī)范的診斷和治療，致使大量患者得不到及時的診斷和治療，目前該疾病的確診率不到10%［2］，給人民的健康造成了極大的危害。

查閱文獻(xiàn)發(fā)現(xiàn)，近年已經(jīng)開發(fā)了許多替代的傳統(tǒng)SAS 的檢測方法。這些方法基于呼吸、血氧飽和度信號［4］、鼾聲［5］、心電［6］等生理信號。但這些方法都涉及對生理信號的數(shù)據(jù)預(yù)處理、特征提取、特征選擇。雖然特征工程非常重要，但這個過程需要相當(dāng)多的領(lǐng)域?qū)I(yè)知識，特別是高維數(shù)據(jù)。

呼吸暫停低通氣指數(shù)（apnea hypopnea index,AHI）是衡量被試睡眠呼吸暫停綜合征的一個重要指標(biāo)［2］。現(xiàn)有技術(shù)大都是先獲取睡眠監(jiān)測的生理信號數(shù)據(jù)，對信號進(jìn)行降噪濾波，然后將信號分段，人工提取信號特征，再訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)預(yù)測信號片段是屬于正常片段還是發(fā)生了睡眠呼吸事件，根據(jù)發(fā)生的睡眠呼吸事件計算AHI 值，最后根據(jù)AHI 值判斷被試者SAS 的病情程度。這些方法需要對信號進(jìn)行降噪和濾波，對于信號的抗干擾能力弱。除此以外，由于要對信號進(jìn)行分段，所以還需要事件的標(biāo)注數(shù)據(jù)。然而實際上事件的標(biāo)注數(shù)據(jù)并不那么容易獲取，而且這種分段的方法并不能直接做出睡眠呼吸暫停綜合征嚴(yán)重程度的診斷。

針對以上問題，本文提出了一種基于整段血氧飽和度信號，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）實現(xiàn)直接診斷SAS 嚴(yán)重程度的方法?；趥鹘y(tǒng)的醫(yī)學(xué)診斷方法，根據(jù)AHI 值將SAS 劃分不同的嚴(yán)重程度患者，即正常、輕度、中度和重度4 種［7］。通過卷積神經(jīng)網(wǎng)絡(luò)自動提取不同嚴(yán)重程度患者血氧飽和度的特征，將卷積神經(jīng)網(wǎng)絡(luò)提取到的特征結(jié)合被試的體征數(shù)據(jù)再通過全連接層進(jìn)行分類，從而實現(xiàn)SAS 嚴(yán)重程度的直接預(yù)測。該方法使用的是整段的血氧飽和度信號，不再需要分割，也不需要專家標(biāo)注各個信號片段的標(biāo)簽。血氧飽和度信號可以通過采用指套式光電傳感器，只需將傳感器套在被試手指上即可方便獲?。?］，而且對被試睡眠影響較小。該方法的數(shù)據(jù)易獲取且不需要專家領(lǐng)域知識，有更好的通用性。

1 數(shù)據(jù)集和預(yù)處理

1.1 數(shù)據(jù)集

本研究中使用的數(shù)據(jù)，是廣州某醫(yī)院提供的實際臨床數(shù)據(jù)。這些數(shù)據(jù)是從PSG 或者便攜式PSG 設(shè)備采集到的。數(shù)據(jù)一共由1 684 個記錄組成，每個記錄都包括被試者的夜晚睡眠監(jiān)測的血氧飽和度信號和一份醫(yī)學(xué)的診斷報告，在診斷報告中有由醫(yī)生做出睡眠呼吸暫停綜合征嚴(yán)重程度診斷結(jié)果。

在訓(xùn)練過程中，將數(shù)據(jù)按照3∶1∶1 的比例劃分為訓(xùn)練集、驗證集和測試集。每份數(shù)據(jù)集的數(shù)量分別為1 008，338 和338。

1.2 數(shù)據(jù)處理

醫(yī)院提供兩份數(shù)據(jù)，即睡眠監(jiān)測數(shù)據(jù)和醫(yī)學(xué)診斷報告。

睡眠監(jiān)測數(shù)據(jù)包含了被試者夜晚睡眠的生理信號監(jiān)測數(shù)據(jù)。根據(jù)采集的PSG 設(shè)備不同，數(shù)據(jù)的通道個數(shù)和采樣頻率也各不相同。本研究將單一的血氧信號作為判斷信號，所以首先從睡眠監(jiān)測數(shù)據(jù)中提取血氧飽和度的數(shù)據(jù)，下采樣頻率為1 Hz。因為睡眠監(jiān)測的初始階段被試者尚未進(jìn)入睡眠狀態(tài)，同時在睡眠監(jiān)測結(jié)束階段，被試者已經(jīng)醒來，但沒有取下設(shè)備。所以在監(jiān)測數(shù)據(jù)的初始和末尾階段，被試者是清醒的。但是，醫(yī)院沒有提供睡眠階段的標(biāo)記，所以本研究根據(jù)傳統(tǒng)診斷依據(jù)［7］只選擇了睡眠監(jiān)測過程中最中間的7 h 的數(shù)據(jù)。

從醫(yī)院提供的醫(yī)學(xué)診斷報告中提取被試者的基本體征數(shù)據(jù)和由醫(yī)生作出的診斷結(jié)果?；倔w征數(shù)據(jù)包括被試者的年齡、性別、身高、體重和體質(zhì)量指數(shù)（BMI）。診斷報告中有被試者的AHI值，根據(jù)醫(yī)學(xué)標(biāo)準(zhǔn)，將患者分成了正常、輕度、中度和重度4 種嚴(yán)重程度。被試者的SAS 嚴(yán)重程度作為訓(xùn)練標(biāo)簽。

從睡眠監(jiān)測數(shù)據(jù)中提取被試者夜晚7 h 的血氧飽和度信號，結(jié)合從醫(yī)學(xué)診斷報告中提取的體征數(shù)據(jù)作為訓(xùn)練模型的原始數(shù)據(jù)。對于模型訓(xùn)練，每一個樣本的訓(xùn)練數(shù)據(jù)表示了被試者的體征數(shù)據(jù)和血氧飽和度，而每一個樣本的標(biāo)簽則是其SAS嚴(yán)重程度。最后，根據(jù)原始數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)的完整處理流程見圖1。

圖1 數(shù)據(jù)處理流程

1.3 數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化

1.3.1 標(biāo)準(zhǔn)化 標(biāo)準(zhǔn)化更好地保持了樣本間距，保留了數(shù)據(jù)中的異常點信息。當(dāng)被試者發(fā)生睡眠呼吸暫?；虻屯鈺r，在被試者的血氧飽和度信號上會表現(xiàn)為血氧下降。為更好地保留血氧飽和度信號中的變化信息，所以對血氧飽和度信號進(jìn)行了標(biāo)準(zhǔn)化。μ表示該樣本血氧飽和度的期望，σ表示該樣本的血氧飽和度的標(biāo)準(zhǔn)差，如公式（1）所示。

1.3.2 歸一化 本研究使用了被試者的體征數(shù)據(jù)，年齡、性別、身高、體重和BMI 指數(shù)。歸一化能夠讓不同維度的特征在數(shù)值上有一定的比較性。所以對被試者的體征數(shù)據(jù)進(jìn)行歸一化。xmax表示該體征在樣本集中的最大值，xmin表示該體征在樣本集中的最小值，如公式（2）所示。

心肌細(xì)胞是心臟泵功能的主要承擔(dān)者，但數(shù)量僅占心臟細(xì)胞總數(shù)的30%～40%，其余為非心肌細(xì)胞，主要是成纖維細(xì)胞，占90%以上，還有少量的內(nèi)皮細(xì)胞、巨噬細(xì)胞、血管平滑肌細(xì)胞等[2]。成纖維細(xì)胞通過合成細(xì)胞外基質(zhì)和膠原酶等維持心肌細(xì)胞基質(zhì)網(wǎng)絡(luò)的穩(wěn)態(tài)，進(jìn)而維持心臟正常的結(jié)構(gòu)和功能。當(dāng)心臟出現(xiàn)心肌梗死等病理變化時，成纖維細(xì)胞將異常增殖并轉(zhuǎn)化為肌成纖維細(xì)胞，促進(jìn)心肌的纖維化重塑[3]。

2 方法

2.1 SAS 嚴(yán)重程度4 分類預(yù)測

使用卷積神經(jīng)網(wǎng)絡(luò)自動提取不同嚴(yán)重程度SAS 被試者夜晚整段血氧飽和度特征和基本體征特征。通過CNN 自動提取特征的方式代替了傳統(tǒng)的專家提取特征。首先將每一條記錄的夜晚監(jiān)測7 h 的血氧飽和度信號輸入的模型的第一個輸入，通過三層卷積層，提取到血氧飽和度特征。然后將每一條記錄的體征數(shù)據(jù)輸入到模型的第二個輸入，通過一層卷積層，提取到體征特征。然后進(jìn)行特征融合，結(jié)合被試者的血氧飽和度特征和體征特征進(jìn)行分類預(yù)測。模型最終輸出的就是預(yù)測的SAS 嚴(yán)重程度。完整的模型框架見圖2。

圖2 CNN 模型結(jié)構(gòu)

2.2 模型結(jié)構(gòu)

本研究使用一個原始CNN 模型從各個記錄的血氧飽和度信號中自動提取特征。提出的CNN 模型結(jié)構(gòu)見圖2，各結(jié)構(gòu)參數(shù)見表1。本文選擇Relu非線性激活函數(shù)作為CNN 模型的激活函數(shù)，同時選擇使用KaiMing 初始化方法初始化卷積層的參數(shù)，這種方法對于非線性激活函數(shù)的模型有更好的效果［9］。

表1 CNN 模型結(jié)構(gòu)

本文的CNN 模型結(jié)構(gòu)由4 個負(fù)責(zé)提取特征的一維卷積層組成，即一個池化層，一個DropOut層，兩層負(fù)責(zé)特征分類的全連接層以及一個Softmax 層。

CNN 模型的輸入有兩個。一是7 h 的頻率為1 Hz 的單通道血氧飽和度信號，所以模型的第一個輸入維度為1×25 200；二是被試者的體征數(shù)據(jù)，所以模型的第二個輸入的維度為1×5。

首先，模型第一個輸入的血氧飽和度信號先通過一個一維的BatchNormal 批歸一化層。批歸一化層負(fù)責(zé)對每一批次的數(shù)據(jù)進(jìn)行歸一化，批歸一化能夠防止梯度消失問題，減少梯度對參數(shù)或權(quán)重初始值的依賴，能有更大的學(xué)習(xí)率，加速網(wǎng)絡(luò)訓(xùn)練速度［10］。經(jīng)過批歸一化層后，數(shù)據(jù)將進(jìn)入第一個卷積層。第一層卷積層的卷積核數(shù)量為16，每個卷積核的大小為1×32。最后再通過Relu 激活層。接下來使用3 個卷積層和1 個池化層提取信號更高維的特征。在每次使用卷積層處理前都要通過1 個批歸一化層進(jìn)行歸一化。在每次使用卷積層處理后，都需要通過1 個Relu 激活層進(jìn)行非線性激活。經(jīng)過第一個卷積層處理后，通過平均池化層，池化層的作用是減小數(shù)據(jù)維度，提高訓(xùn)練效率。模型采用的是平均池化的方法，對于輸入的血氧飽和度信號的所有采樣計算一個平均值，可以更好的將卷積層的特征與預(yù)測類別對應(yīng)起來，池化可以降低參數(shù)量，整合了全局的空間信息，對于輸入的特征有更好的魯棒性［11］。第二層卷積層的卷積核數(shù)量為12，每個卷積核的大小為1×16。第三層卷積層的卷積核數(shù)量為6，每個卷積核的大小為1×3。模型的第一個輸出經(jīng)過以上三層模型處理后，從輸入的維度1×25 200 處理成了維度6×12 567，最后再將數(shù)據(jù)展平成一個1×75 402 的向量，最后通過一個全連接層，最終模型第一個輸入的輸出維度為1×48。

模型的第二個輸入是被試者的體征數(shù)據(jù)，維度為1×5。處理的過程與模型第一個輸入類似，考慮到輸入的維度較小，所以只使用了一個卷積層。第二個輸入先通過一個BN 層，進(jìn)行歸一化，再通過一個卷積層。卷積核的數(shù)量為12，卷積核大小為1×3，再經(jīng)過Relu 激活層激活后進(jìn)行展平，展平成一個1×48 的向量。

本研究的模型有兩個輸入，一個是被試者的夜晚睡眠監(jiān)測的血氧飽和度信號，另一個是被試者的基本體征數(shù)據(jù)。分別經(jīng)過3 層卷積層和1 層卷積層處理后，將處理結(jié)果進(jìn)行拼接。再經(jīng)過一個全連接層進(jìn)行4 分類。最終再經(jīng)過一個Softmax層將結(jié)果映射到0～1 范圍。模型最終預(yù)測結(jié)果即為被試者預(yù)測SAS 嚴(yán)重程度。

3 實驗

3.1 實驗設(shè)備

本文訓(xùn)練模型使用的硬件是一臺GPU 工作站，具體配備的CPU 是Intel E5-2678@2.50GHz，顯卡是Nvidia GeForce RTX 3090，內(nèi)存為64 G。軟件使用的CUDA 版本是11.4，Python 是3.8。選擇Pytorch 作為深度學(xué)習(xí)框架。

3.2 模型性能評估指標(biāo)

本文研究的是一個四分類任務(wù)，屬于多分類任務(wù)。本文使用準(zhǔn)確率Accuracy 作為評估模型總體性能的指標(biāo)。準(zhǔn)確率表示總體中被正確預(yù)測SAS 嚴(yán)重程度的樣本數(shù)占總體的比例。但準(zhǔn)確率只能給出總體的預(yù)測情況，并不能全面評估各個類別的準(zhǔn)確率。所以本文還使用了查準(zhǔn)率（Precision）、敏感性（Sensitivity）、特異性（Specificity）和（F1-Score）作為模型的各個類別的評價指標(biāo)。混淆矩陣定義如表2 所示。

表2 分類混淆矩陣定義

查準(zhǔn)率表示在被預(yù)測為某一類的樣本中，實際為該類的樣本的占比，即對于各個類別，被正確預(yù)測的比例，也被稱為精確率查準(zhǔn)率計算公式：

敏感性表示對于某一類樣本，被正確預(yù)測的樣本占比，也被稱為查全率（Recall）、召回率和真陽性率，敏感性計算公式：

特異性表示在真實值為陰性的樣本中，有多少樣本被預(yù)測為陰性，也被稱為真陰性率，特異性計算公式：

一般來說，查全率和查準(zhǔn)率是互斥的，而F1-Score 是衡量兩者的一個指標(biāo)，F(xiàn)1-Score 越接近1表示查全率和查準(zhǔn)率越好，計算公式為

3.3 性能測試結(jié)果

如圖3 所示，測試集中一共有338 例樣本，總體準(zhǔn)確率Accuracy 為86.39%。正常樣本一共有98 例，其中有89 例樣本被預(yù)測為正常，9 例被預(yù)測為輕度。輕度樣本一共有85 例，其中有9 例被預(yù)測為正常，74 例被預(yù)測為輕度，2 例被預(yù)測為中度。中度樣本一共有55 例，其中有14 例被預(yù)測輕度，40 例被預(yù)測為中度，1 例被預(yù)測為重度。重度樣本一共有100 例，其中有11 例被預(yù)測為中度，89 例被預(yù)測為重度。

圖3 CNN 預(yù)測結(jié)果

實驗的總體準(zhǔn)確率達(dá)到了86.39%，由圖4、圖5、表3 可以看出正常類別的準(zhǔn)確率為90.82%，輕度類型的準(zhǔn)確率為76.29%，中度類型的準(zhǔn)確率為75.47%，重度類型的準(zhǔn)確率為98.89%。實驗的結(jié)果說明在缺少分段標(biāo)簽的條件下，使用7 h 整段的血氧飽和度信號，并結(jié)合基本的體征數(shù)據(jù)預(yù)測SAS 是可行的。

圖4 各類別查準(zhǔn)率

圖5 各類別查全率

表3 各類別評估（%）

4 總結(jié)和展望

在本文研究中，在缺少分段標(biāo)簽的條件下，提出了一種使用CNN 提取血氧飽和度特征和體征特征的方法預(yù)測SAS 嚴(yán)重程度。從原始的夜晚睡眠監(jiān)測中提取睡眠狀態(tài)下7 h 的血氧飽和度信號，作為模型的第一個輸入。從醫(yī)生的診斷報告中提取被試者基本體征，作為模型的第二個輸入。使用3 層卷積層提取血氧飽和度信號的特征，使用1層卷積層提取體征特征，然后進(jìn)行特征融合，最后通過全連接層和Softmax 層，進(jìn)行分類和模型輸出。模型最終輸出的結(jié)果就是被試者SAS 的嚴(yán)重程度。

實驗結(jié)果表明，實驗總體準(zhǔn)確率達(dá)到了86.39%，其中正常類型的準(zhǔn)確率達(dá)到了90.82%，重度類型的準(zhǔn)確率更是達(dá)到了98.89%。實驗證明了本文研究的方法，在缺少分段標(biāo)簽，使用整段信號的條件下，結(jié)合被試者的基本體征數(shù)據(jù)，能夠良好預(yù)測SAS 的嚴(yán)重程度。為更多的二三線醫(yī)院提供了許多患有SAS 未能得到及時診斷的解決方案。

在未來的工作中，由于本研究使用的輕度和中度樣本數(shù)量有限，可以采集更多的樣本數(shù)據(jù)提高輕度和中度類型的預(yù)測準(zhǔn)確率。同時若能準(zhǔn)確獲取睡眠狀態(tài)下的血氧飽和度信號，也能夠提升模型的準(zhǔn)確率。