以心電訊號預測睡眠呼吸事件之深度學習模型

呼吸中止與呼吸不足是睡眠呼吸疾病中很常見的症狀。一般的檢驗方式是患者須至專業醫療院所做睡眠多項生理檢測後，由專業技師標註並由專科醫師判讀診斷。較常見的治療方式是患者配戴連續陽壓呼吸器來改善夜間呼吸中止與呼吸不足現象。由於臨床觀察發現，睡眠時，呼吸道完全塌陷前，人體可能有相對應的呼吸補償動作來試圖阻止呼吸道塌陷所造成的呼吸氣流下降，但此現象於連續陽壓呼吸器並無法測得，因此患者可能在連續陽壓呼吸器加壓前仍會感到不適。
為確認臨床觀察到呼吸補償現象，本論文利用心電訊號轉換成小波量值圖，並利用遷移式學習方式進行建模。由於並不確定哪種模型能有較佳的效果，因此使用7種不同模型並利用本論文收集的回溯性資料及另外兩個Dublin和MIT-BIH公開資料集進行模型建立與評估，並從中找出整體最佳的EfficientNetB4模型。
利用EfficientNetB4模型驗證睡眠呼吸事件開始後30秒及睡眠呼吸事件開始前0到90秒，呼吸中止或呼吸不足的偵測力可達到0.85以上的Accuracy和Marco F1 Score。以此確認可透過心電訊號發現人體於睡眠呼吸事件開始前即有對應的反應，且透過深度學習模型是能夠有效辨識，此外換個方向想，也間接驗證可透過偵測睡眠呼吸事件前的訊號來預測睡眠呼吸事件即將發生。