编辑推荐：
睡眠呼吸暂停低通气综合征（SAHS）危害大，现有检测方法多为二元分类，难以满足需求。研究人员提出 TriGNet 模型，利用单通道心电图（ECG）信号检测相关事件。该模型准确率达 94.08%，提升了睡眠呼吸事件检测能力，助力 SAHS 防治。
睡眠，本应是人体放松修复的美好时光，但对于患有睡眠呼吸暂停低通气综合征（SAHS）的人来说，却可能充满危机。SAHS 是一种常见的睡眠呼吸障碍，全球约有 9.36 亿 30 - 69 岁的人受其困扰。它不仅会导致内分泌紊乱，还与白天嗜睡、认知障碍、高血压、脑血管意外等健康问题密切相关。
目前，多导睡眠监测（PSG）虽为评估睡眠相关呼吸障碍的 “金标准”，能提供脑电图（EEG）、心电图（ECG）等全面数据，通过呼吸暂停低通气指数（AHI）量化病情，但它成本高、耗时长，患者需佩戴多种电极和传感器，十分不便，并不适合 SAHS 的早期诊断。而获取 ECG 信号相对简便，且研究表明，阻塞性睡眠呼吸暂停（OSA）等事件会改变 ECG 信号，使得基于 ECG 信号检测睡眠呼吸事件具备可行性。
此前，研究人员针对睡眠呼吸事件检测开展了诸多探索。不过，多数研究集中于二元分类，将呼吸暂停和低通气合并为一类，这难以满足当下辅助诊断和精准睡眠质量监测的需求。因为睡眠呼吸暂停通常比低通气更严重，二者 AHI 值可能相近，却影响着临床治疗决策。并且，不同低通气评分标准下 AHI 估算差异大，而睡眠事件多分类研究又相对匮乏，所以区分睡眠呼吸暂停和低通气事件迫在眉睫。
为解决这些问题，国内研究人员（Hao Dong、Junming Zhang 等人）开展了一项基于单通道 ECG 信号自动检测睡眠呼吸事件的研究。他们提出了一种名为 TriGNet 的卷积神经网络（CNN）模型，并通过在 MIT - BIH PSG 数据集上训练和验证，评估其效果。该研究成果发表在《Biomedical Signal Processing and Control》。
在研究方法上，研究人员主要采用了以下关键技术：一是从 MIT - BIH PSG 数据集中提取单通道 ECG 信号，该数据集包含 16 名受试者超 80 小时的多通道 PSG 记录，且每个记录都有逐拍标注的 ECG 信号；二是设计了 TriGNet 模型，其整合了基于门控单元的可学习动态数据调节机制，利用三个不同的卷积分支对预处理后的 ECG 信号进行多尺度特征提取，还设计了 2D 特征提取组件，将 1D 的 ECG 信号数据当作 2D 数据处理以获取更多特征信息；三是对数据进行预处理和增强，将处理后的 ECG 信号按 6:2:2 的比例划分为训练集、验证集和测试集，分别用于模型训练和评估 。
在研究结果方面：
- 数据集处理结果：从 MIT - BIH PSG 数据集的 PSG 记录中成功提取单通道 ECG 信号，为后续模型训练和研究奠定数据基础。
- 模型训练与分类结果：经过训练，TriGNet 模型能够将 30 秒长、250Hz 的单通道 ECG 信号成功分类为正常、低通气和呼吸暂停这三种睡眠呼吸事件。在测试集上，该模型达到了 94.08% 的准确率、93.02% 的宏 F1 分数以及 89.91% 的 Cohen's kappa 系数，展现出了卓越的性能。
研究结论和讨论部分表明，TriGNet 模型基于多分支结构，结合 2D 特征提取和 GDDR 机制，能有效从 ECG 信号中自动分类睡眠呼吸事件。该模型的成功研发，为睡眠呼吸事件检测提供了新的方法和思路，打破了传统二元分类的局限，有助于更精准地监测睡眠质量、辅助临床诊断 SAHS，对早期预防和治疗 SAHS 具有重要意义，有望推动睡眠医学领域的进一步发展，让更多受睡眠呼吸障碍困扰的患者受益。
