一种混合自注意力LSTM-XGBoost模型，用于结合睡眠心率变异性分析来预测患有阻塞性睡眠呼吸暂停的患者的心血管疾病风险

《Sleep and Vigilance》：A Hybrid Self-Attention LSTM-XGBoost Model for Cardiovascular Disease Risk Prediction in Patients with Obstructive Sleep Apnea Using Sleep Heart Rate Variability Analysis

心血管疾病风险预测：本研究提出SA-LSTM与XGBoost混合模型，利用SHHS数据集的ECG和HRV分析CVD风险，经实验验证，模型MSE为0.98，较单一模型误差降低64.62%和29.4%，有效且可应用于其他OSA相关疾病诊断。

　　

摘要

目的

阻塞性睡眠呼吸暂停（OSA）患者患心血管疾病（CVD）的风险是一个重大的健康问题，因为这会增加心脏的负担，导致严重的并发症。机器学习算法通常用于传统的预测任务，但在处理长期序列数据时遇到了困难。本研究提出了一种混合深度学习框架，结合了基于自注意力机制的长短期记忆网络（SA-LSTM）和极端梯度提升（XGBoost），以预测被诊断为OSA的个体的CVD风险。

方法

该模型使用了来自睡眠心脏健康研究（SHHS）的6411名受试者的数据，通过连续的心电图（ECG）数据和提取的心率变异性（HRV）来分析心脏活动。我们提出的预测模型利用基于自注意力机制的LSTM段来捕捉长期的时间依赖性，同时使用最少的递归迭代次数。同时，在数据上应用XGBoost以超越基线提升技术，通过整合弱特征学习器来形成一个强大的学习器。两种模型的预测结果通过加权平均方法进行组合。

结果

实验结果表明，所提出的混合模型优于其他单独的基线模型，并证明了其在CVD风险预测方面的有效性。预测结果的均方误差（MSE）为0.98，比单独的XGBoost模型（MSE = 2.77）降低了64.62%，比SA-LSTM模型（MSE = 1.39）降低了29.4%。

结论

结果证实了我们提出的模型在评估不同数据规模下的潜在CVD风险方面的有效性。该预测模型的优势在于它不会改变原始信号，因此也可以用于诊断其他与OSA相关的疾病。