基于卷积自注意力与自适应通道注意网络的阻塞性睡眠呼吸暂停检测方法研究

针对阻塞性睡眠呼吸暂停（OSA）检测中训练数据不足和跨数据集鲁棒性差的问题，研究人员提出了一种新型深度学习模型CSAC-Net，通过卷积自注意力（CSA）模块和自适应通道注意（ACA）模块，在PhysioNet Apnea-ECG和NSRR-BestAIR数据集上分别达到93.4%和76.1%的准确率，显著优于现有方法，为可穿戴设备应用提供了可靠解决方案。

　　

阻塞性睡眠呼吸暂停（OSA）是一种常见的慢性睡眠障碍，患者的上呼吸道在睡眠过程中会反复塌陷，导致呼吸暂停至少10秒。这种疾病不仅会引起高血压、冠心病等严重健康问题，还可能增加中风和心脏骤停的风险。传统的诊断方法依赖于多导睡眠图（PSG），但这种方法耗时耗力，需要在实验室进行整夜监测，效率低下且成本高昂。近年来，基于心电信号（ECG）的OSA检测方法因其便捷性和可扩展性成为研究热点，但面临两大挑战：一是模型性能高度依赖大量训练数据，二是现有算法在跨数据集评估中缺乏鲁棒性。

针对这些问题，国内某研究机构的研究团队在《Engineering Applications of Artificial Intelligence》上发表了一项创新研究，提出了一种名为CSAC-Net的新型深度学习模型。该模型通过卷积自注意力（CSA）模块解决数据不足问题，利用自适应通道注意（ACA）和特征间注意（IFA）模块提升跨数据集性能。研究结果显示，CSAC-Net在PhysioNet Apnea-ECG和NSRR-BestAIR数据集上的准确率分别达到93.4%和76.1%，显著优于现有方法。

研究团队采用了多项关键技术：首先对ECG信号进行去噪处理，使用短时傅里叶变换（STFT）、连续小波变换（CWT）和Stockwell变换（ST）生成时间-频率表示（TFR）作为输入；然后通过多尺度卷积自注意力模块提取长程依赖特征；最后利用自适应通道注意机制增强特征鲁棒性。所有实验均采用10折交叉验证，并对比了包括OSACN-Net、2D-CNN在内的多种先进模型。

研究结果部分，通过多个模块的对比实验验证了CSAC-Net的优越性。在输入特征选择方面，三种TFR的深度串联效果最佳（准确率93.4%）。模块组合实验中，同时使用CSA、ACA和IFA模块的完整模型表现最优。CSA模块数量实验表明，4个模块的组合最有效。与现有方法相比，CSAC-Net在Apnea-ECG数据集上的准确率比第二名OSACN-Net高出5.4个百分点，在BestAIR数据集上比第二名2D-CNN高出2.4个百分点。ROC曲线分析显示，CSAC-Net的AUC达到0.98，显著优于其他模型。

跨数据集评估进一步证明了CSAC-Net的鲁棒性。当使用SHHS数据集训练并在ABC数据集上测试时，准确率达到90.2%，远高于其他方法。统计分析的t检验结果（p=0.047和0.026）和Cohen's d值（2.4和3.3）均表明CSAC-Net与次优模型存在显著差异。

该研究的结论部分指出，CSAC-Net首次成功解决了OSA检测中的低数据方差和跨数据集鲁棒性问题。通过卷积自注意力机制建模特征相似性，结合自适应注意模块增强特征不变性，该模型在有限训练数据条件下表现出色。虽然对部分含伪影的样本仍存在误判，但这一创新方法为可穿戴医疗设备的发展提供了重要技术支持，有望推动OSA的家庭监测和早期诊断。未来研究可进一步优化卷积核设计，以更好地处理病例内部的细微差异。