基于CNN與堆疊LightGBM的多模態(tài)OSA檢測方法

林美娜 鄭和裕

開發(fā)設計

基于CNN與堆疊LightGBM的多模態(tài)OSA檢測方法

林美娜 鄭和裕

（廣東工業(yè)大學，廣東 廣州 510006）

提出一種基于血氧飽和度和心電圖信號的多模態(tài)阻塞性睡眠呼吸暫停（OSA）檢測方法。首先，提取血氧飽和度和心電圖信號的經(jīng)驗特征，并利用皮爾遜相關系數(shù)獲得最優(yōu)特征集；然后，利用卷積網(wǎng)絡（CNN）生成深層特征以挖掘不同模態(tài)間的潛在相關性；最后，構建堆疊的輕量級梯度提升機（LightGBM），以提高分類器檢測精度。在公開數(shù)據(jù)集Apnea-ECG上進行四折交叉驗證，平均準確性、敏感性和特異性分別為96.04%、96.44%和96.22%，相較于決策層融合有較高的分類性能。

阻塞性睡眠呼吸暫停；卷積網(wǎng)絡；輕量級梯度提升機；血氧；心電圖

0 引言

阻塞性睡眠呼吸暫停（obstructive sleep apnea, OSA）是一種常見的睡眠障礙[1]，在睡眠時呼吸氣流減少甚至停止數(shù)秒[2]。根據(jù)2019年柳葉刀呼吸醫(yī)學雜志報導，全球30～69歲的人群中約有9.36億人患有OSA[3]。因此，及時診斷和治療OSA是必要的。目前，常用血氧飽和度（oxygen saturation, SpO2）和心電圖（electrocardiogram, ECG）表征OSA[4]，但SpO2下降存在延遲[5]，而ECG反應迅速[6]。采用組合的SpO2和ECG有助于提高OSA的檢測質(zhì)量[7]。

近年來，許多專家學者提出基于SpO2和ECG信號特征組合的OSA檢測方法。如，LI等[7]和PUNJABI等[8]提取SpO2和ECG信號的8個經(jīng)驗特征，并使用人工神經(jīng)網(wǎng)絡（artificial neural network, ANN）進行OSA檢測。雖然考慮了不同信號的潛在相關性，但未進行特征選擇，可能存在冗余特性；此外，數(shù)據(jù)集易受特征分布變化的影響，采用跨被試可減小此影響。

深度學習可得到更優(yōu)的深層特征而被廣泛應用于OSA檢測。經(jīng)MOSTAFA等[9]調(diào)查，近十年采用深度學習檢測OSA的論文約有255篇。ERDENE-BAYAR等[10]分別使用一維和二維卷積網(wǎng)絡對ECG進行OSA檢測。VILLAR[11]評估深度學習的有用性以提高SpO2在OSA的自動檢測能力。上述方法雖然可以實現(xiàn)OSA檢測，但未考慮不同生理信號間的潛在相關性，檢測精度受限。

特征生成在提高模型性能上可發(fā)揮重要作用[12]。BASTANI等[13]指出基于深度學習和樹的方法可以提高特征的表征能力。HE等[14]指出輕量級梯度提升機（light gradient boosting machine, LightGBM）可以學習新的特征交互，增強特征表示，可利用其提取經(jīng)驗特征和深度學習生成的特征中更深層次的判別信息。

1 分類網(wǎng)絡

1.1 問題描述

1.2 網(wǎng)絡結構

本文提出的CNN和堆疊LightGBM網(wǎng)絡結構流程及具體參數(shù)如圖1所示。其中，LightGBM葉子數(shù)為8，樹深為?1，估計器數(shù)量為50。對SpO2和ECG信號的原始數(shù)據(jù)預處理后提取經(jīng)驗特征，拼接后長度為133；將預處理后長度均為6000的片段輸入CNN網(wǎng)絡，提取每層卷積特征，與經(jīng)驗特征拼接輸入Light-GBM；將融合結果與下層卷積特征及經(jīng)驗特征拼接，輸入LightGBM，以此堆疊進行OSA檢測。

圖1 CNN和堆疊LightGBM的網(wǎng)絡結構流程圖

2 數(shù)據(jù)

2.1 數(shù)據(jù)集

本文使用Physionet[16]網(wǎng)站的公開數(shù)據(jù)集呼吸暫停-心電圖數(shù)據(jù)庫（apnea-ecg database, AED）[17]，70條記錄中8條包含SpO2和ECG，均來自不同的被試者，采樣頻率均為100 Hz，錄制時間為401 ～578 min不等，注釋“N”和“A”分別代表正常和OSA[17-18]。

2.2 數(shù)據(jù)預處理與劃分

數(shù)據(jù)預處理：去除8條包含SpO2和ECG記錄前后各30 s的異常信號，此時的原始標簽相對原本標簽位置向后推30 s；將數(shù)據(jù)切為不重疊的1 min片段，標注為A或N；對低于50%的SpO2進行線性插值以消除零電平偽影[11]；采用卷積移動平均濾波器對ECG濾波，利用Christov方法[18]提取QRS波群，通過Hamilton方法[19]進行校驗，計算兩個R波的間隔并提取心率信號。

根據(jù)被試者不同，將8條記錄劃分為四折交叉驗證，如表1所示。

表1 四折交叉驗證的數(shù)據(jù)劃分

2.3 特征提取

2.3.1 ECG特征提取及特征選擇

為去除異常心率并濾除高頻噪聲，每隔2.4 s進行線性插值，使用周期圖法[20]估計5min的心率信號的功率譜密度（power spectral density, PSD）和樣本頻率。設置閾值范圍為0.005～0.03，間隔為0.002 5，提取5 min的PSD和樣本頻率特征。利用LightGBM進行四折交叉驗證，不同閾值得到不同的受試者操作特征（receiver operating characteristic, ROC）曲線的面積曲線（area under the curve, AUC）和F1分數(shù)（F1-score），如圖2所示。

圖2 LightGBM對心率頻率特征閾值范圍實驗結果

由圖2可以看出，LightGBM對心率特征的最佳閾值范圍在0.012 5～0.02之間。選擇閾值為0.015，其平均ROC曲線如圖3所示，AUC為94%，標準偏差為4%。

圖3 閾值0.015對應的平均ROC曲線

表2 提取ECG的相關特征

2.3.2 SpO2特征提取

把SpO2片段的采樣頻率從100 Hz降低為1 Hz，提取一、二階差分[24]，得到向量長度為127。

一階差分的表達式為

二階差分的表達式為

式中：

3 實驗結果與分析

3.1 實驗環(huán)境

實驗采用深度學習框架Keras，服務器CPU Intel(R)Core（TM）i5-6300HQ CPU @ 2.60 GHz，內(nèi)存12 GB。

3.2 評估指標

使用準確性（accuracy, Acc）、敏感性（sensitivity, Se）、特異性（specificity, Sp）、平衡錯誤率（balance error rate, Ber）和AUC作為評估指標。

式中：

3.3 實驗對比與分析

為驗證本文模型能夠挖掘不同信號間潛在相關信息，本文做4組實驗：1）基于ECG的3層CNN網(wǎng)絡模型，利用AED剩下的70 ? 8 = 62條ECG記錄訓練CNN網(wǎng)絡模型，再將本文劃分的數(shù)據(jù)作為該模型輸入；2）基于SpO2的3層CNN網(wǎng)絡模型，即未加入堆疊LightGBM結構前的神經(jīng)網(wǎng)絡模型；3）基于SpO2和ECG的決策層融合（decision-level fusion, DLF）；4）本文基于SpO2和ECG的CNN及堆疊LightGBM的網(wǎng)絡模型。每組實驗結果均為四折交叉驗證的平均結果，前三組實驗作為基線，如表3所示。

由表3可以看出：本文模型實驗結果優(yōu)于單獨使用SpO2、ECG；與DLF模型相比，和分別提高了1.86%、1.15%，降低了1.15%；表明本文模型可以學習不同模態(tài)間潛在的相關信息，且效果優(yōu)于決策層融合。

表3 不同網(wǎng)絡模型的OSA檢測性能對比

文獻[25-26]使用AED數(shù)據(jù)的OSA檢測性能對比如表4所示。

表4 不同文獻的OSA檢測性能對比

由表4可知：SHI等[25]利用支持向量機（support vector machine, SVM）對13個最優(yōu)特征進行十折交叉驗證；MEMIS等[26]利用SVM和級聯(lián)方法保留用SpO2和ECG信號傳達的時間信息，但實驗結果均低于本文模型；說明與傳統(tǒng)機器學習相比，本文模型更能學習不同模態(tài)間潛在的相關特征信息。

4 結語

為更好地挖掘和利用不同模態(tài)間的潛在相關性，本文提出一種基于CNN和堆疊LightGBM的多模態(tài)OSA檢測方法。首先，對數(shù)據(jù)集進行跨被試劃分；然后，提取SpO2和ECG經(jīng)驗特征集，并保留皮爾遜相關系數(shù)小于0.75的最優(yōu)特征集；最后，使用CNN生成更深層的特征，結合最優(yōu)特征集作為LightGBM分類器的輸入，使用堆疊方法實現(xiàn)OSA檢測。本文模型在公開數(shù)據(jù)集AED上的實驗結果與決策層融合的模型相比，逐層特征融合效果優(yōu)于決策層融合效果；與使用單獨信號的結果相比均有提高，表明本文模型可有效挖掘SpO2和ECG間潛在的相關信息。因此，本文方法能夠在跨被試數(shù)據(jù)集中實現(xiàn)較高的OSA檢測性能。

[1] SATEIA MJ. International classification of sleep disorders-third edition: highlights and modifications[J]. Chest, 2014,146(5): 1387-1394.

[2] MOSTAFA S S, MENDONCA F, RAVELO-GARCIA A G, et al. Multi-objective hyperparameter optimization of convolu-tional neural network for obstructive sleep apnea detection[J]. IEEE Access, 2020,8:129586-129599.

[3] ADAM V Benjafield, NAJIB T Ayas, Peter R Eastwood, et al. Estimation of the global prevalence and burden of obstructive sleep apnoea: a literature-based analysis[J]. The Lancet Respi-ratory Medicine, 2019,7(8):687-698.

[4] American Academy of Sleep Medicine Task Force. Sleep related breathing disorders in adults: Recommendations for syndrome definition and measurement techniques in clinical research[J]. Sleep, 1999 22(5):667-689.

[5] DEVIAENE M, TESTELMANS D, BUYSE B, et al. Automatic screening of sleep apnea patients based on the SpO2signal[J]. IEEE Journal of Biomedical and Health Informatics, 2019,23(2): 607-617.

[6] OZEGOWSKI S, WILCZY?SKA E, PIORUNEK T, et al. Usefulness of ambulatory ECG in the diagnosis of sleep-related breathing disorders[J]. Kardiol pol, 2007,65(11):1321-1328.

[7] LI HY, LI JX, NA B, et al. An IoMT cloud-based real time sleep apnea detection scheme by using the SpO2estimation supported by heart rate variability[J]. Future Generation Computer Sys-tems, 2019,98:69-77.

[8] PUNJABI M, PRABHU S. An ANN-based detection of obstructive sleep apnea from simultaneous ECG and SpO2recordings[C]//International Conference on ISMAC in Compu-tational Vision and Bio-Engineering, Springer, Cham, 2018.

[9] MOSTAFA SS, MENDON?A F, RAVELO-GARCíA AG, et al. A systematic review of detecting sleep apnea using deep learning[J]. Sensors (Basel), 2019,19(22):4934.

[10] ERDENEBAYAR U, KIM Y J, Park J U, et al. Deep learning approaches for automatic detection of sleep apnea events from an electrocardiogram[J]. Computer Methods and Programs in Biomedicine, 2019,180:105001.

[11] VAQUERIZO-VILLAR F, ALVAREZ 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.

[12] DOMINGOS Pedro. A few useful things to know about machine learning[J]. Communications of the ACM, 2012,55 (10):78-87.

[13] BASTANI K, ASGARI E, NAMAVARI H. Wide and deep learning for peer-to-peer lending[J]. Expert Syst Appl, 2019,134:209-224.

[14] HE H, FAN Y. A novel hybrid ensemble model based on tree-based method and deep learning method for default prediction [J]. Expert Systems with Applications, 2021,176:114899.

[15] FRIEDMAN J H. Greedy function approximation: a gradient boosting machine[J]. Annals of Statistics, 2001, 29(5):1189-1232.

[16] GOLDBERGER A, AMARAL L, GLASS L, et al. Physio-Bank, PhysioToolkit, and Physionet: components of a new research resource for complex physiologic signals[J]. Circu-lation, 2000,101(23):215-220.

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

[18] CHRISTOV I I. Real time electrocardiogram QRS detection using combined adaptive threshold[J]. BioMedical Enginee-ring OnLine, 2004,3(1):1-9.

[19] HAMILTON P S, LIMITED E P. Open source ECG analysis software documentation[J]. Comput Cardiol, 2002(29):101-104.

[20] 黃英.周期圖法的功率譜估計[J].中國西部科技,2013,12(9): 1-2,8.

[21] RICHARDS J E. The statistical analysis of heart rate: a review emphasizing infancy data[J]. Psychophysiology, 1980,17(2): 153-66.

[22] Heart rate variability: standards of measurement, physiological interpretation and clinical use. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology[J]. Circulation, 1996,93(5): 1043-1065.

[23] JEPPESEN J, BENICZKY S, JOHANSEN P, et al. Using Lorenz plot and cardiac sympathetic index of heart rate variability for detecting seizures for patients with epilepsy[J]. International Conference of the IEEE Engineering in Medicine and Biology Society, 2014,2014:4563-4566.

[24] KOLEY BL, DEY D. On-line detection of apnea/hypop-nea events using SpO2signal: a rule-based approach em-ploying binary classifier models[J]. IEEE Journal of Biomedical and Health Informatics, 2014, 18(1):231-239.

[25] SHI C, NOURANI M, GUPTA G, et al. Apnea MedAssist II: A smart phone based system for sleep apnea assessment[C]// IEEE International Conference on Bioinformatics and Bio-medicine, 2013,572-577.

[26] MEMIS G, SERT M. Multimodal classification of obstructive sleep apnea using feature level fusion[C]//IEEE Interna-tional Conference on Semantic Computing, 2017,85-88.

Multimodal OSA Detection Method Based on CNN and Stacked LightGBM

LIN Meina ZHENG Heyu

(Guangdong University of Technology, Guangzhou 510006, China)

A multimodal method of detecting obstructive sleep apnea (OSA) based on oxygen saturation and electrocardiogram signals is proposed. Firstly, the empirical features of blood oxygen saturation and ECG signals are extracted, and the optimal feature set is obtained by using Pearson correlation coefficient; Then, convolution network (CNN) is used to generate deep features to mine the potential correlation between different modes; Finally, a stacked lightweight gradient hoist (LightGBM) is constructed to improve the detection accuracy of the classifier. Four fold cross validation was performed on the public data set apnea ECG. The average accuracy, sensitivity and specificity were 96.04%, 96.44% and 96.22% respectively. Compared with decision-making level fusion, it has higher classification performance.

obstructive sleep apnea; convolutional neural networks; light gradient boosting machine; oxygen saturation; electrocardiogram

林美娜,鄭和裕.基于CNN與堆疊LightGBM的多模態(tài)OSA檢測方法[J].自動化與信息工程,2022,43(3):25-30.

LIN Meina, ZHENG Heyu. Multimodal OSA detection method based on CNN and stacked LightGBM[J]. Automation & Information Engineering, 2022,43(3):25-30.

TP391

A

1674-2605(2022)03-0005-06

10.3969/j.issn.1674-2605.2022.03.005

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，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