光电容积脉搏波的睡眠呼吸暂停综合征筛查方法

睡眠呼吸暂停综合征（SAS）素有“睡眠杀手”之称。由于其诊断金标准多导睡眠监测仪（PSG）的限制,诊断率一直偏低。由于呼吸暂停发生时会引发心率节奏的变化,因此利用心电图（ECG）通过心率变异性（HRV）分析可以实现SAS的自动筛查。但是,ECG-SAS方法所用电极穿戴繁琐、材质致敏性较高,影响睡眠安适度。鉴于脉率变异性（PRV）分析与HRV分析高度相关,并且光电容积脉搏波（PPG）信号相对ECG信号获取方式更加简单,不仅电极不易致敏,而且更易于穿戴,对睡眠干扰小。由此,提出利用同步采集的PPG信号和ECG信号,应用相同的建模方法,比较二者的疾病识别能力。应用反向传播（BP）神经网络,分别建立PPG-SAS与ECG-SAS自动筛查模型,并采用十折交叉验证法及受试者工作特征（ROC）曲线对模型进行对比与评估。实验数据来源于MIT-BIH Polysomnographic Database,共8 248个样本,其中正常样本6 227例。首先采用三层BP神经网络,默认参数下建立PPG-SAS与ECG-SAS模型,使用十折交叉验证法及ROC曲线进行模型分类准确性的对比;然后依次改变影响分类性能的隐层节点数、训练函数以及传递函数,建立多个PPG-SAS与ECG-SAS模型,从中选取各自的最优模型再进行对比。通过比较识别率、预测率以及ROC曲线面积,采用默认参数的PPG-SAS模型优于ECG-SAS模型。通过比较平均分类准确率,隐层节点数为50、训练函数为一步正割算法、隐含层传递函数为双曲正切S型函数时,PPG-SAS模型得到的最高识别率与预测率分别为80.30%和80.13%;隐层节点数为50、训练函数为一步正割算法、隐含层传递函数为径向基时,ECG-SAS模型的最高识别率与预测率分别为77.60%和77.67%。以上实验结果均表明PPG信号的SAS分类能力较ECG信号更具优越性,由此证明了PPG信号筛查SAS的可行性及可靠性,为临床SAS病症的早期发现及诊断率提升奠定理论基础。