摘要
阻塞性睡眠呼吸暂停综合征（Obstructive Sleep Apnea Syndrome, OSAS）是最常见的与睡眠相关的呼吸障碍。其病因在于睡眠期间上气道阻力增加，导致气流出现部分或完全中断的事件。在卒中患者中，OSAS的检测与治疗尤为重要，因为重度OSAS与更高的死亡率、更严重的神经功能缺损、康复后功能预后较差以及难治性高血压的发生率升高密切相关。目前诊断OSAS的金标准是多导睡眠图（Polysomnography, PSG）。然而，在卒中监护病房这类电干扰严重的环境中，对神经系统功能受损的患者实施PSG检查极为困难；同时，每日卒中患者数量远超多导睡眠监测设备及专业医护人员的配置能力。因此，亟需一种基于常规监测的生命体征数据、简单且自动化的OSAS识别系统，以实现对急性卒中患者的有效筛查。迄今为止的大多数研究工作均基于理想条件下采集的数据以及高度筛选的受试人群，导致其在真实临床环境中难以应用，而恰恰是在这些实际应用场景中，该技术才具有真正的临床价值。本文提出一种基于卷积神经网络的深度学习架构，能够有效降低原始波形数据（如生理信号）的时间分辨率，同时提取关键特征，供后续分析使用。我们利用该架构构建的模型，对卒中监护病房中未经筛选患者连续监测数据中的OSAS事件进行检测。与现有方法不同，本研究采用每秒粒度的标注方式，使临床医生能够更精准地解读模型输出结果。领域专家对实验结果评价为满意。此外，基于广泛使用的公开基准数据集，我们进一步验证表明，所提出的方法在性能上优于当前最先进的解决方案。