閉塞性睡眠時無呼吸症候群（OSAS）は、睡眠関連呼吸障害の中で最も一般的な疾患である。これは睡眠中に上気道抵抗が増加することによって引き起こされ、呼吸の部分的または完全な中断を引き起こす。特に脳卒中患者において、OSASの重症度は死亡率の上昇、神経学的障害の悪化、リハビリテーション後の機能的予後不良、および難治性高血圧の発症リスク上昇と関連しているため、OSASの検出と治療は極めて重要である。OSASの診断における基準検査は多導睡眠図（PSG）であるが、神経学的に障害を有する患者を対象とし、電磁的干渉が強い環境（例：脳卒中病棟）でPSGを実施することは困難である。また、1日あたりの脳卒中発症数は、PSG装置および専門医療従事者の数を大きく上回っている。したがって、急性脳卒中患者において、日常的に記録される生命徴候に依拠して、OSASを簡便かつ自動的に識別するシステムの開発が望まれている。これまでの研究の多くは、理想的な環境下で収集されたデータおよび高度に選別された患者を対象としており、実臨床現場における実用性に乏しい。本研究では、生体信号などの生の波形データの時間分解能を低減しつつ、重要な特徴量を抽出できる畳み込み型深層学習アーキテクチャを提案する。本アーキテクチャに基づくモデルを用いて、選別を施さない一般患者の脳卒中病棟でのモニタリングデータからOSASイベントを検出する。既存の手法とは異なり、本研究では1秒単位の注釈（annotation）を実施しており、医師がモデルの出力をより正確に解釈できるようにしている。ドメイン専門家の評価においても、本手法の結果は満足できる水準と評価された。さらに、広く用いられるベンチマークを用いて、本手法が現在の最先端技術を上回ることを示した。