鄒漢榮，何漢武

（廣東工業(yè)大學 機電工程學院，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微覺醒。嚴重影響睡眠質(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)學診斷中，使用多導睡眠儀（polysomnography,PSG）對睡眠進行監(jiān)測是檢測SAS 的“金標準”［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，從而導致測量偏差。監(jiān)測記錄完成后，需要醫(yī)生閱讀PSG 圖，并進行人工判斷，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多的領域?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［2］?，F(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)，對信號進行降噪濾波，然后將信號分段，人工提取信號特征，再訓練一個神經(jīng)網(wǎng)絡預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，由于要對信號進行分段，所以還需要事件的標注數(shù)據(jù)。然而實際上事件的標注數(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（CNN）實現(xiàn)直接診斷SAS 嚴重程度的方法?；趥鹘y(tǒng)的醫(yī)學診斷方法，根據(jù)AHI 值將SAS 劃分不同的嚴重程度患者，即正常、輕度、中度和重度4 種［7］。通過卷積神經(jīng)網(wǎng)絡自動提取不同嚴重程度患者血氧飽和度的特征，將卷積神經(jīng)網(wǎng)絡提取到的特征結(jié)合被試的體征數(shù)據(jù)再通過全連接層進行分類，從而實現(xiàn)SAS 嚴重程度的直接預測。該方法使用的是整段的血氧飽和度信號，不再需要分割，也不需要專家標注各個信號片段的標簽。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域知識，有更好的通用性。

1 數(shù)據(jù)集和預處理

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重程度診斷結(jié)果。

在訓練過程中，將數(shù)據(jù)按照3∶1∶1 的比例劃分為訓練集、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。基本體征數(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)學標準，將患者分成了正常、輕度、中度和重度4 種嚴重程度。被試者的SAS 嚴重程度作為訓練標簽。

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)學診斷報告中提取的體征數(shù)據(jù)作為訓練模型的原始數(shù)據(jù)。對于模型訓練，每一個樣本的訓練數(shù)據(jù)表示了被試者的體征數(shù)據(jù)和血氧飽和度，而每一個樣本的標簽則是其SAS嚴重程度。最后，根據(jù)原始數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡。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)標準化和歸一化

1.3.1 標準化 標準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行了標準化。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準差，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。

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

2 方法

2.1 SAS 嚴重程度4 分類預測

使用卷積神經(jīng)網(wǎng)絡自動提取不同嚴重程度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行分類預測。模型最終輸出的就是預測的SAS 嚴重程度。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 個負責提取特征的一維卷積層組成，即一個池化層，一個DropOut層，兩層負責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。批歸一化層負責對每一批次的數(shù)據(jù)進行歸一化，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，能有更大的學習率，加速網(wǎng)絡訓練速度［10］。經(jīng)過批歸一化層后，數(shù)據(jù)將進入第一個卷積層。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測類別對應起來，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)果進行拼接。再經(jīng)過一個全連接層進行4 分類。最終再經(jīng)過一個Softmax層將結(jié)果映射到0～1 范圍。模型最終預測結(jié)果即為被試者預測SAS 嚴重程度。

3 實驗

3.1 實驗設備

本文訓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 作為深度學習框架。

3.2 模型性能評估指標

本文研究的是一個四分類任務，屬于多分類任務。本文使用準確率Accuracy 作為評估模型總體性能的指標。準確率表示總體中被正確預測SAS 嚴重程度的樣本數(shù)占總體的比例。但準確率只能給出總體的預測情況，并不能全面評估各個類別的準確率。所以本文還使用了查準率（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。混淆矩陣定義如表2 所示。

表2 分類混淆矩陣定義

查準率表示在被預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，被正確預測的比例，也被稱為精確率查準率計算公式：

敏感性表示對于某一類樣本，被正確預測的樣本占比，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，查全率和查準率是互斥的，而F1-Score 是衡量兩者的一個指標，F(xiàn)1-Score 越接近1表示查全率和查準率越好，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，總體準確率Accuracy 為86.39%。正常樣本一共有98 例，其中有89 例樣本被預測為正常，9 例被預測為輕度。輕度樣本一共有85 例，其中有9 例被預測為正常，74 例被預測為輕度，2 例被預測為中度。中度樣本一共有55 例，其中有14 例被預測輕度，40 例被預測為中度，1 例被預測為重度。重度樣本一共有100 例，其中有11 例被預測為中度，89 例被預測為重度。

圖3 CNN 預測結(jié)果

實驗的總體準確率達到了86.39%，由圖4、圖5、表3 可以看出正常類別的準確率為90.82%，輕度類型的準確率為76.29%，中度類型的準確率為75.47%，重度類型的準確率為98.89%。實驗的結(jié)果說明在缺少分段標簽的條件下，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)預測SAS 是可行的。

圖4 各類別查準率

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測SAS 嚴重程度。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，然后進行特征融合，最后通過全連接層和Softmax 層，進行分類和模型輸出。模型最終輸出的結(jié)果就是被試者SAS 的嚴重程度。

實驗結(jié)果表明，實驗總體準確率達到了86.39%，其中正常類型的準確率達到了90.82%，重度類型的準確率更是達到了98.89%。實驗證明了本文研究的方法，在缺少分段標簽，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)，能夠良好預測SAS 的嚴重程度。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測準確率。同時若能準確獲取睡眠狀態(tài)下的血氧飽和度信號，也能夠提升模型的準確率。