基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法

鄭和裕 林美娜

基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法

鄭和裕 林美娜

（廣東工業(yè)大學，廣東 廣州 510006）

為提高基于心電信號的睡眠呼吸暫停檢測精度，針對現(xiàn)有檢測方法普遍存在的需要較復雜的特征工程和手工校正步驟，無法對心電信號自適應預處理且損失較多信息的問題，提出一種基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法。首先，利用自適應預處理網(wǎng)絡濾除心電信號中的冗余信息（包括基線漂移、肌電干擾等）；然后，使用基于空洞卷積和時間注意力機制的檢測網(wǎng)絡從心電信號中提取時序特征并進行檢測。在Apnea-ECG數(shù)據(jù)集上的實驗結果表明，相比其他6種檢測方法，本文方法能夠實現(xiàn)更有效的睡眠呼吸暫停檢測。

心電信號；睡眠呼吸暫停綜合征；自適應信號預處理；空洞卷積；注意力機制

0　引言

20世紀70年代，GUILLEMINAULT等發(fā)表的《睡眠呼吸暫停綜合征》[1]標志著睡眠呼吸暫停綜合征的發(fā)現(xiàn)。醫(yī)學上將睡眠期間超過10 s的呼吸氣流缺失的臨床綜合征稱為睡眠呼吸暫停，其中阻塞性睡眠呼吸暫停（obstructive sleep apnea, OSA）是一種常見的睡眠障礙。隨著時間的推移，研究人員發(fā)現(xiàn)睡眠呼吸暫停達到全球流行病的程度，普通人群中男性患病率為4%，女性患病率為2%[2]，對公眾健康、交通安全和社會經濟等方面產生了負面影響[3-6]。

被稱為“金標準”的多導睡眠圖（polysomno-graphy, PSG）[7-8]要求患者在睡眠中心過夜，同時需要多個傳感器記錄多個睡眠生理信號[9-15]；再通過測量呼吸暫停低通氣指數(shù)將OSA程度分為不同等級。然而PSG存在時間成本和費用較高的缺點，不利于大眾推廣[16]。

隨著心電信號采集技術的發(fā)展[17]，根據(jù)心電信號與OSA之間的相關性[2]，越來越多的國內外學者研究基于單導聯(lián)心電信號的睡眠呼吸暫停檢測方法。現(xiàn)有的研究主要分為2類：

1）基于特征工程和傳統(tǒng)分類器，如SONG等[18]先對心電信號進行R峰定位，再計算R-R間隔（R-R interval, RRI）及其相關特征結合心電圖衍生呼吸信號（ECG-derived respiratory, EDR），輸入隱馬爾科夫模型（hidden Markov model, HMM）進行OSA檢測；VARON等[19]先采用改進的Pan-Tompkins算法[20]定位R峰位置，再利用正交子空間投影，從QRS波群以及心率和EDR信號中提取相關特征，并將這2個特征與心率變異性的相關特征結合，最后用最小二乘支持向量機（least squares support vector machine, LS-SVM）輸出OSA檢測結果；FENG等[21]提出一種基于頻率堆疊稀疏自動編碼器，采用無監(jiān)督學習技術自動從RRI中提取特征集，并結合HMM和MetaCost算法提出時間相關代價敏感分類模型；

2）原始信號經過預處理或特征工程后輸入神經網(wǎng)絡提取特征并進行OSA檢測，如CHANG等[22]將經過帶通濾波器和零均值歸一化的心電信號，輸入多層卷積神經網(wǎng)絡進行特征提取進而實現(xiàn)OSA檢測；SINGH等[23]將經過手工校正去除R峰異常樣本、帶通濾波、連續(xù)小波變換和零中心歸一化后的心電信號二維時頻圖，輸入卷積神經網(wǎng)絡，提取空間特征實現(xiàn)OSA檢測。

然而，以上研究主要存在2方面不足：

1）特征工程需要特定的特征提取方法和先驗知識，從心電波形、RRI、心率變異性、瞬時心率和EDR中提取特征，特征提取方法對檢測效果影響較大；

2）心電信號存在工頻干擾、運動偽跡、基線漂移等與檢測OSA無關的干擾信息，在提取特征之前需進行預處理，傳統(tǒng)的預處理方法無法自適應地預處理心電信號，且對心電信號的波形影響較大，造成信息丟失。

針對上述檢測方法的不足，本文提出一種基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法。該方法采用了端到端的心電檢測框架。該框架由自適應預處理網(wǎng)絡（adaptive preprocessing network, APN）和基于空洞卷積和時間注意力機制的檢測網(wǎng)絡（classifica-tion network based on dilated convolution and temporal attention mechanism, DCTAM）組成。其中，APN去除原始信號中的基線漂移等干擾信息，以減小其對OSA檢測的影響；DCTAM捕捉心電信號中的呼吸暫停時間段，完成心電片段分類。

1　數(shù)據(jù)與預處理

本實驗采用的公開數(shù)據(jù)集為Physionet的Apnea-ECG數(shù)據(jù)庫[2,24]。該數(shù)據(jù)庫來自32個受試者，共70條記錄，每條記錄的持續(xù)時間為401～578 min不等，采樣頻率為100 Hz。在本實驗中，記錄根據(jù)OSA的嚴重程度分為A、B、C組，同時X組包含不同嚴重程度的記錄；且A、B、C組為訓練集，X組為測試集[25]。若1 min內發(fā)生睡眠呼吸暫停，則將該分鐘標記為Y，否則標記為N。

根據(jù)注釋文件將原始信號進行分段處理，樣本數(shù)量統(tǒng)計如表1所示。

表1 樣本數(shù)量統(tǒng)計 單位：個

2　檢測方法

2.1 檢測方法框架

基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法的端到端心電檢測框架由APN和DCTAM組成，如圖1所示。

圖1 檢測方法的端到端心電檢測框架

2.2 APN

APN主要消除原始ECG信號中存在的工頻干擾、基線漂移等干擾信息。APN輸入為原始1 min的ECG片段，輸出為經過自適應預處理后的ECG信號，網(wǎng)絡框架如圖2所示。

圖2 自適應預處理網(wǎng)絡框架

圖2中連通域為

式中：

U-Net++在音頻去冗余方面已被證明有較好的效果[26]，因此本文的APN基于U-Net++[27-28]構建，即由不同深度的U-Net[29]組成，其編解碼器通過相同的分辨率密集連接，網(wǎng)絡參數(shù)設置如表2所示。

表2 U-Net++網(wǎng)絡參數(shù)設置

1個U-Net網(wǎng)絡由1個收縮路徑和1個擴張路徑組成。其中，收縮路徑是典型的卷積網(wǎng)絡結構，由2個重復的卷積層和1個用于下采樣的最大池化層組成，卷積層的激活函數(shù)采用線性修正單元（rectified linear unit, ReLU）；擴張路徑包含特征圖的上采樣過程。收縮路徑和擴張路徑之間的級聯(lián)也采用卷積運算，激活函數(shù)使用ReLU函數(shù)。最后一層采用1×1卷積進行卷積運算后輸出。不同深度U-Net網(wǎng)絡之間的連接同樣采用卷積運算。

2.3 DCTAM

大多數(shù)患者在每次睡眠呼吸暫停中后期都會心率（heart rate, HR）上升，幾次呼吸后達到峰值，這種心率變化是睡眠呼吸暫停的特有現(xiàn)象[30-31]。網(wǎng)絡在時序上正確把握此現(xiàn)象可提高睡眠呼吸暫停片段的判別。鑒于此，本文采用基于空洞卷積和時間注意力的網(wǎng)絡，捕捉這一時序特征進而提高睡眠呼吸暫停的檢出率。其中，時間注意力[32]可提升關鍵時間段的特征表達，本質上是將原始信號中的時序信息通過時間轉換模塊，變換到另一個特征空間中并保留核心信息，為每個時刻生成權重掩碼并加權輸出，從而增強感興趣的特定目標時間段，同時弱化不相關的時間段。由于呼吸暫停的持續(xù)時間一般在10 s以上，故要求卷積核有較大的感受野來捕捉相應特征?？斩淳矸e可在維持原網(wǎng)絡參數(shù)量不變的基礎上，增大感受野，避免使用下采樣層帶來的信息損失。因此本文采用空洞卷積生成時間注意權重，增強與睡眠呼吸暫停相關的信息特征，DCTAM模型可以自動聚焦在呼吸暫停部分。

DCTAM模型的主體由5個網(wǎng)絡塊串行連接。每個網(wǎng)絡塊的輸入是前一個網(wǎng)絡塊的輸出，最后一個網(wǎng)絡塊通過全連接層和softmax激活函數(shù)得到最終的預測輸出。每個網(wǎng)絡塊的架構如圖3所示，其中卷積網(wǎng)絡空洞率均為3，卷積核個數(shù)均為45，卷積核大小依次為16、16、16、32、32，步長均為1。

圖3 DCTAM模型網(wǎng)絡塊

2.4 模型優(yōu)化和損失函數(shù)

為提高DCTAM模型的收斂速度，減少訓練時內存占用，采用自適應學習率優(yōu)化算法Adam。由于正負樣本分布不平衡，本文使用focal loss[33]作為損失函數(shù)，計算公式為

式中：

2.5 模型評價指標

OSA檢測算法的目的是識別OSA發(fā)作時的心電圖信號，是一個二分類問題。本文采用靈敏度（Sensitivity, Se）、特異性（Specificity, Sp）作為分類任務評估指標。由于正負例的標簽選擇對平衡錯誤率（balanced error rate, Ber）的計算沒有影響，而且在一定程度上能克服正負樣本不均衡導致的評估指標虛高，因此同時采用作為評估指標。

式中：

3　實驗和結果分析

3.1 實驗結果與分析

為驗證本文提出的網(wǎng)絡框架對睡眠呼吸暫停檢測的有效性，將本文方法APN + DCTAM與其他6種方法在Apnea-ECG數(shù)據(jù)庫上進行性能對比，結果如表3所示。

表3 本文方法與其他6種方法的OSA檢測結果比較

由表3可知：

1）本文方法APN + DCTAM的與其他6種方法相比平均降低1.13%，表明本文方法具有更均衡的檢測效果；

2）與零均值歸一化+DCTAM方法相比，本文方法的降低了0.27%，提高了2.47%，說明經過APN后的信號有助于提高檢測效果，然而有所下降，說明APN對于正常片段的檢測能力弱化；

3）與文獻[22]方法相比，本文方法的提高了4.23%，降低了0.37%，說明捕捉到的睡眠呼吸暫停時間段有助于提高OSA的檢出率，獲得更均衡的檢測效果，而降低了3.49%，說明正常片段的檢出率有待提高；

4）部分深度學習方法雖然也有較好的性能表現(xiàn)，然而需要去除R峰異常的樣本片段等手動過程（如SINGH等人[23]），相比本文方法對樣本質量要求較低。綜上所述，本文方法取得較好的檢測效果。

3.2 自適應預處理效果

來自Apnea-ECG數(shù)據(jù)庫編號為a02記錄的第200 min原始EGG片段、帶通濾波+零均值歸一化的片段和自適應預處理的片段對比圖如圖4所示。

圖4 預處理結果對比

圖4中，由第200～400個樣本點之間的片段可以看出，自適應預處理對去除基線漂移等噪聲干擾具有較好的效果，且可以保持信號形態(tài)。

3.3 注意力掩碼的可視化

圖5(a)是一段發(fā)生睡眠呼吸暫停的心電信號及其心率HR的變化曲線。可以看出，在睡眠呼吸暫停中后期隨著呼吸恢復，HR會突然上升。圖5(b)是檢測網(wǎng)絡從心電圖記錄中學習到的睡眠呼吸暫停階段的注意力掩碼?？梢钥闯?，檢測網(wǎng)絡可以捕捉到HR在睡眠呼吸暫停中后期的突變。

圖5 注意力掩碼可視化

4　結語

心電信號在采集過程中容易受噪聲、肌電偽跡和基線漂移等信號干擾，對OSA檢測算法造成影響?，F(xiàn)有去除冗余信息的方法嚴重依賴預處理參數(shù)，包括零均值歸一化和帶通濾波等，此外還需要人工R峰校準、異常R峰樣本剔除等復雜預處理步驟。

本文提出基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法，在Apnea-ECG數(shù)據(jù)庫上獲得了較好的OSA檢測效果（= 85.33%,= 88.51%,= 13.08%）。本文方法與采用零均值歸一化的DCTAM相比，采用APN的DCTAM的降低了0.27%，說明經過APN后的信號有助于提高檢測效果。與其他6種算法相比，采用APN的DCTAM方法的平均降低了1.13%，說明采用自適應預處理方法和基于空洞卷積的注意力機制可以獲得更均衡的檢測能力。因此，本文方法能夠在無需預處理和特征工程的同時，實現(xiàn)較均衡的OSA檢測性能。

[1] GUILLEMINAULT C, TILKIAN A, DEMENT W C. The sleep apnea syndromes [J]. Annual Review Of Medicine, 1976,27(1): 465-484.

[2] PENZEL T, MOODY G B, MARK R G, et al. The apnea-ECG database [C]//Computers in Cardiology 2000. IEEE, 2000.

[3] GOTTLIEB D J, PUNJABI N M. Diagnosis and management of obstructive sleep apnea: a review [J]. JAMA The Journal ofthe American Medical Association, 2020,323(14):1389-1400.

[4] ALMENDROS I, MARTINEZ-GARCIA M A, FARRé R, et al. Obesity, sleep apnea, and cancer [J]. International Journal of Obesity, 2020,44(8):1653-1667.

[5] ELFIL M, BAHBAH E I, ATTIA M M, et al. Impact of obstruct-tive sleep apnea on cognitive and motor functions in Parkinson's DISEASE [J]. Movement Disorders, 2021,36(3):570-580.

[6] GOZAL D, TAN H L, KHEIRANDISH-GOZAL L. Treatment of obstructive sleep apnea in children: handling the unknown with precision [J]. Journal of Clinical Medicine, 2020,9(3):888.

[7] RUNDO J V, Downey III R. Polysomnography[J]. Handbook of clinical neurology, 2019, 160: 381-392.

[8] NGUYEN H D, WILKINS B A, CHENG Q, et al. An online sleep apnea detection method based on recurrence quantifica-tion analysis [J]. IEEE journal of biomedical and health infor-matics, 2014,18(4):1285-1293.

[9] NISHAD A, PACHORI R B, ACHARYA U R. Application of TQWT based filter-bank for sleep apnea screening using ECG signals [J]. Journal of Ambient Intelligence and Humanized Computing, 2018:1-12.

[10] LIU D, PANG Z, LLOYD S R. A neural network method for detection of obstructive sleep apnea and narcolepsy based on pupil size and EEG [J]. IEEE Transactions on Neural Net-works, 2008,19(2):308-318.

[11] SAMI N, HENRI K, SAMU K , et al. Estimating daytime sleepiness with previous night electroencephalography, elec-trooculography, and electromyography spectrograms in patients with suspected sleep apnea using a convolutional neural network [J]. SLEEP, 2020(12):12.

[12] STEWART M, BAIN A R. Assessment of respiratory effort with EMG extracted from ECG recordings during prolonged breath holds: insights into obstructive apnea and extreme physiology [J]. Physiological Reports, 2021,9(10):e14873.

[13] VAQUERIZO-VILLAR F, áLVAREZ D, KHEIRANDISH-GOZAL L, et al. A convolutional neural network architecture to enhance oximetry ability to diagnose pediatric obstructive sleep apnea[J]. IEEE Journal of Biomedical and Health Informatics, 2021, 25(8): 2906-2916.

[14] VENA D, AZARBARZIN A, MARQUES M, et al. Predicting sleep apnea responses to oral appliance therapy using polysomnographic airflow [J]. Sleep, 2020,43(7):zsaa004.

[15] KANG K T, CHIU S N, WENG W C, et al. 24-hour ambulatory blood pressure variability in children with obstructive sleep apnea [J]. The Laryngoscope, 2021,131(9):2126-2132.

[16] FATIMAH B, SINGH P, SINGHAL A, et al. Detection of apnea events from ECG segments using Fourier decompo-sition method [J]. Biomedical Signal Processing and Control, 2020,61:102005.

[17] LIU L, HE L, ZHANG Y, et al. A Battery-Less Portable ECG Monitoring System With Wired Audio Transmission [J]. IEEE Transactions on Biomedical Circuits and Systems, 2019,13(4): 697-709.

[18] SONG C, LIU K, ZHANG X, et al. An obstructive sleep apnea detection approach using a discriminative hidden Markov model from ECG signals [J]. IEEE Transactions on Biome-dical Engineering, 2016,63(7):1532-1542.

[19] VARON C, CAICEDO A, TESTELMANS D, et al. A novel algorithm for the automatic detection of sleep apnea from single-lead ECG [J]. IEEE Transactions on Biomedical Engi-neering, 2015, 62(9): 2269-2278.

[20] PAN J, TOMPKINS W J. A real-time QRS detection algorithm [J]. IEEE Transactions on Biomedical Engineering, 1985,32 (3):230-236.

[21] FENG K, QIN H, WU S, et al. A sleep apnea detection method based on unsupervised feature learning and single-lead electro-cardiogram [J]. IEEE Transactions on Instrumentation and Measurement, 2020,70:1-12.

[22] CHANG H Y, YEH C Y, LEE C T, et al. A sleep apnea detection system based on a one-dimensional deep convolution neural network model using single-lead electrocardiogram [J]. Sensors, 2020,20(15):4157.

[23] SINGH S A, MAJUMDER S. A novel approach osa detection using single-lead ECG scalogram based on deep neural network [J]. Journal of Mechanics in Medicine and Biology, 2019,19(4):1950026.

[24] GOLDBERGER A L, AMARAL L A N, GLASS L, et al. PhysioBank, PhysioToolkit, and Physionet: components of a new research resource for complex physio-logic signals [J].Circulation, 2000,101(23):215-220.

[25] PhysioNet [Online]. Available: www.physionet.org

[26] ZHAO T, ZHAO Y, WANG S, et al. UNet++-Based Multi-Channel Speech Dereverberation and Distant Speech Recog-nition [C]//2021 12th International Symposium on Chinese Spoken Language Processing (ISCSLP). IEEE, 2021:1-5.

[27] ZHOU Z, SIDDIQUEE M M R, TAJBAKHSH N, et al. Unet++: a nested u-net architecture for medical image segmentation [M]//Deep learning in medical image analysis and multimodal learning for clinical decision support. Springer, Cham, 2018: 3-11.

[28] ZHOU Z, SIDDIQUEE M M R, TAJBAKHSH N, et al. Unet++: redesigning skip connections to exploit multiscale features in image segmentation [J]. IEEE Transactions on Medical Imaging, 2020,39(6):1856-1867.

[29] RONNEBERGER O, FISCHER P, BROX T. U-net: convolu-tional networks for biomedical image segmentation [C]//Inter-national Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015:234-241.

[30] GUILLEMINAULT C, WINKLE R, CONNOLLY S, et al. Cyclical variation of the heart rate in sleep apnoea syndrome: mechanisms, and usefulness of 24 h electrocardiography as a screening technique [J]. The Lancet, 1984,323(8369):126-131.

[31] PENZEL T, AMEND G, MEINZER K, et al. MESAM: a heart rate and snoring recorder for detection of obstructive sleep apnea[J]. Sleep, 1990,13(2):175-182.

[32] LUO J, YE M, XIAO C, et al. Hitanet: Hierarchical time-aware attention networks for risk prediction on electronic health records [C]//Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2020:647-656.

[33] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection [C]//Proceedings of the IEEE international conference on computer vision, 2017:2980-2988.

Sleep Apnea Detection Method Based on Dilated Convolution and Attention Mechanism

ZHENG Heyu LIN Meina

(Guangdong University of Technology, Guangzhou 510006, China)

In order to improve the accuracy of sleep apnea detection based on ECG signal, aiming at the problem that the existing detection methods generally need more complex feature engineering and manual correction steps, can not adaptively preprocess ECG signal and will lose more information, a sleep apnea detection method based on dilated convolution and attention mechanism is proposed. Firstly, the adaptive preprocessing network is used to filter the redundant information in ECG signal (including baseline drift, EMG interference, etc.); Then, the detection network based on dilated convolution and time attention mechanism is used to extract timing features from ECG signal and detect them. The experimental results on Apnea-ECG data set show that compared with the existing detection methods, this method can achieve more effective sleep apnea detection.

ECG signal; sleep apnea syndrome; adaptive signal preprocessing; dilated convolution; attention mechanism

TP391

A

1674-2605(2022)02-0005-07

10.3969/j.issn.1674-2605.2022.02.005

鄭和裕，男，1996年生，碩士研究生，主要研究方向：模式識別，機器學習，生物信號處理。E-mail: zheng_hy1209@qq.com

林美娜，女，1997年生，碩士研究生，主要研究方向：模式識別，生物信號處理。E-mail: meina.lin@mail.gdut.edu.cn

鄭和裕,林美娜.基于空洞卷積和注意力機制的睡眠呼吸暫停檢測方法[J].自動化與信息工程,2022,43(2):29-34,40.

ZHENG Heyu, LIN Meina. Sleep apnea detection method based on dilated convolution and attention mechanism[J]. Automation & Information Engineering, 2022,43(2):29-34,40.