非接触式声学筛查睡眠呼吸暂停：一种基于受试者意识的深度学习方法

《Sleep and Breathing》：Non-contact acoustic screening for sleep apnea: a subject-aware deep learning approach

睡眠呼吸暂停、非接触式音频、PSG同步、紧凑型深度学习模型、身份感知评估

　　

摘要

目的

探索使用与多导睡眠图（PSG）同步的、由摄像头获取的非接触式音频数据进行临床相关的睡眠呼吸暂停分类的可行性，并利用一个之前未研究过的真实世界数据集，在考虑受试者身份隐私的设计下对紧凑型深度学习模型进行性能评估。

方法

32名成年人同时接受了多导睡眠图（PSG）检测和基于摄像头的非接触式音频记录。这些同步的音频片段被用来训练并比较三种紧凑型深度学习架构（卷积神经网络、注意力增强型和基于Transformer的模型），整个评估过程都遵循了保护受试者身份隐私的设计原则。模型性能和校准结果通过标准统计测试在片段层面和受试者层面进行了评估。

结果

受试者层面的评估基于一个非常小且不平衡的测试集，该测试集包含6名受试者（其中1名为阳性病例）。在这个有限且之前未被研究过的本地数据集中，CNN_trans模型表现出近乎完美的排名性能（AUC = 1.00；95%置信区间0.00–1.00），尽管这可能反映了测试样本量小且不平衡的情况，其召回率为1.00，精确率为0.55。较宽的置信区间表明存在较大的统计不确定性，DeLong比较结果显示CNN_trans与CNN_att之间的AUC差异不显著（ΔAUC = ?0.042；p = 0.43）。

结论

与PSG同步的非接触式音频数据支持使用紧凑型深度学习模型进行准确且校准良好的睡眠呼吸暂停分类。这种考虑受试者隐私的评估结果表明，无接触式的声学监测方法可能具有潜在的临床应用价值，这为更大规模的多地点验证研究提供了动力。