仪器仪表学报

作者：韩 亮，罗统军，蒲秀娟，刘 媛，梁国祥

单位：韩 亮,1. 重庆大学微电子与通信工程学院，2. 生物感知与智能信息处理重庆市重点实验室,,罗统军,1. 重庆大学微电子与通信工程学院,,蒲秀娟,1. 重庆大学微电子与通信工程学院，2. 生物感知与智能信息处理重庆市重点实验室,,刘 媛,1. 重庆大学微电子与通信工程学院,,梁国祥,1. 重庆大学微电子与通信工程学院,

关键词：睡眠呼吸暂停;集成学习;异构特征融合;心电信号;深度学习

睡眠呼吸暂停(SA)会影响睡眠质量,增加心脑血管疾病风险,其准确分类有助于在SA早期阶段及时开展针对性治疗。本文提出一种使用异质集成学习和异构特征融合的SA分类新方法。首先从原始心电信号中提取小波时频谱,使用SE-ResNet作为初级分类器;然后提取RR间期序列和R峰值序列,使用1DCNN-LSTM作为初级分类器;再提取心率变异性特征,使用SVM作为初级分类器。最后采用堆叠法作为异质集成学习的融合策略,再使用另一个SVM作为次级分类器实现SA分类。在Apnea-ECG数据集上进行实验,所提出的SA分类方法的准确率为89.12%。实验结果表明,所提方法有效利用了各初级分类器的多样性和异构特征的互补性,其性能优于传统的SA分类方法。

来源：2024年第6期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第6期