基于心率变异性与机器学习的睡眠呼吸事件分类

为了提供一种针对睡眠呼吸暂停低通气综合征(sleep apnea hypopnea syndrome,SAHS)患者的筛查方法,本研究把心率变异性(heart rate variability,HRV)应用于睡眠呼吸模态的分类问题。通过构建和训练概率神经网络(probabilistic neural network,PNN)对HRV各特征值进行有无异常睡眠呼吸事件的判别,以期实现对该病征进行初步筛查的目的。首先,对标注的有无呼吸事件的多导睡眠监测数据提取其心电的HRV特征值,再经过归一化后作为特征向量;其次采用PNN分类算法对特征向量进行训练及分类输出;最后,对模型的预测分类性能进行评价。对于准确率、灵敏度、特异性、受试者工作特性曲线下面积(area under the receiver operating characteristic curve,AUC)及分类耗时等评价指标PNN分类器的结果分别为:75.97%,82.51%,76.22%,0.7936,0.63 s。与广义回归神经网络(generalized regression neural network,GRNN)及极限学习机(extreme learning machine,ELM)分类算法相比,PNN分类算法在灵敏度、特异性、AUC及分类耗时评价维度上均取得最优。本研究基于HRV及PNN分类算法实现了对有无异常睡眠呼吸事件的判别,提供了一种低生理负荷SAHS筛查的途径。