世界卫生组织调查显示,全球27%的人存在睡眠质量问题,我国睡眠障碍人群占比更是高达38%(《2021运动与睡眠白皮书》)。在睡眠相关疾病的研究中,睡眠呼吸暂停综合征(Sleep Apnea hypopnea Syndrome,SAS)与常见的慢性疾病有相当大的重叠,如高血压、心血管疾病和心律失常等疾病,直接或间接导致多器官异常,形成恶性循环加重病情。临床多导睡眠监测图 (Polysomnography,PSG)是判定睡眠呼吸暂停事件的金标准,通过判读临床PSG监测呼吸、脑电和心跳等十余项指标数据,对睡眠呼吸暂停予以早期预测和干预,有效避免严重并发症的出现。现有的SAS通常依靠医师经验进行手动分类和判读,易受主客观因素影响,且人员培训周期长,而已有的基于统计规则和深度学习的自动分类方法缺乏对PSG多通道数据融合的过程,由于临床PSG睡眠数据具有非平稳等特点,导致现有方法对SAS事件判定缺乏适应性,判读准确率难以满足临床要求。
针对睡眠呼吸事件智能诊断问题,以SAS智能判读为研究对象,面向实际应用需求,本课题拟提出基于临床PSG多通道多模态数据融合推理的深度学习算法,通过对临床PSG多通道数据时空间关系的融合推理实现睡眠智能分期诊断,研究包括以下内容:1.构建面向深度学习的PSG多通道数据集;2.构建融合PSG多通道数据的基于注意力机制的长短时记忆网络(Long Short-Term Memory,LSTM)网络的睡眠呼吸暂停智能诊断模型;3.开发基于深度学习的端到端睡眠呼吸暂停智能诊断原型系统并在SAS患者中进行临床验证,以提高睡眠呼吸障碍的高效精准的智能判定达到临床要求,从而辅助医务工作者高效地对睡眠呼吸障碍进行诊断,提高睡眠呼吸暂停的诊断水平。