[论文解读] Automated Polysomnography Analysis for Detection of Non-Apneic and Non-Hypopneic Arousals using Feature Engineering and a Bidirectional LSTM Network

Ali Bahrami Rad, Morteza Zabihi+4 more|arXiv (Cornell University)|Sep 6, 2019

Obstructive Sleep Apnea Research被引用 5

一句话总结

本研究提出了一种基于双向LSTM的分类模型，结合了465个工程化特征——75个源于生理学启发的特征和390个来自散射变换的特征——用于在多导睡眠图（PSG）数据中自动检测非阻塞性呼吸暂停和非低通气性觉醒，特别是呼吸努力相关性觉醒（RERAs）。该方法在2018年PhysioNet挑战赛测试集上实现了0.50的AUPRC，与第二名并列。

ABSTRACT

Objective: The aim of this study is to develop an automated classification algorithm for polysomnography (PSG) recordings to detect non-apneic and non-hypopneic arousals. Our particular focus is on detecting the respiratory effort-related arousals (RERAs) which are very subtle respiratory events that do not meet the criteria for apnea or hypopnea, and are more challenging to detect. Methods: The proposed algorithm is based on a bidirectional long short-term memory (BiLSTM) classifier and 465 multi-domain features, extracted from multimodal clinical time series. The features consist of a set of physiology-inspired features (n = 75), obtained by multiple steps of feature selection and expert analysis, and a set of physiology-agnostic features (n = 390), derived from scattering transform. Results: The proposed algorithm is validated on the 2018 PhysioNet challenge dataset. The overall performance in terms of the area under the precision-recall curve (AUPRC) is 0.50 on the hidden test dataset. This result is tied for the second-best score during the follow-up and official phases of the 2018 PhysioNet challenge. Conclusions: The results demonstrate that it is possible to automatically detect subtle non-apneic/non-hypopneic arousal events from PSG recordings. Significance: Automatic detection of subtle respiratory events such as RERAs together with other non-apneic/non-hypopneic arousals will allow detailed annotations of large PSG databases. This contributes to a better retrospective analysis of sleep data, which may also improve the quality of treatment.

研究动机与目标

• 开发一种自动化算法，用于检测多导睡眠图（PSG）记录中的非阻塞性呼吸暂停和非低通气性觉醒，重点关注细微的呼吸努力相关性觉醒（RERAs）。
• 解决检测RERAs的挑战，这些觉醒未被归类为呼吸暂停或低通气，但会导致睡眠中断和健康风险。
• 通过实现对细微觉醒事件的自动、一致标注，提升大规模PSG数据库的回顾性分析效率。
• 结合生理学启发的特征工程与基于散射变换的特征提取，以提升检测性能。
• 在2018年PhysioNet挑战赛数据集上验证该方法，并实现在自动化觉醒检测中的最先进性能。

提出的方法

• 该方法采用双向长短期记忆（BiLSTM）神经网络，对PSG时间序列数据进行序列分类。
• 使用465个手工设计的特征：75个源于生理学启发的特征，通过专家分析和多步特征选择获得；390个特征通过散射变换提取，以实现稳健且时间不变的表示。
• 散射变换在所有生物信号（如EEG、EOG、EMG、气流、SaO2）上统一应用，使用固定的滤波器组，尽管不同信号的频率成分存在差异。
• 通过在整个时间序列上计算阈值实现伪影去除，这使得特征提取更加稳定，但若不进行修改，则限制了实时应用。
• 为实现实时适应，将BiLSTM替换为单向LSTM，但性能下降至AUPRC 0.36和AUROC 0.85。
• 通过消融研究评估特征重要性，揭示了所选特征中出人意料但具有信息量的模式。

实验结果

研究问题

• RQ1 混合特征工程与深度学习的方法是否能有效检测PSG数据中细微的非阻塞性呼吸暂停、非低通气性觉醒（如RERAs）？
• RQ2 与基于散射变换的特征相比，生理学启发的特征在觉醒检测中的性能如何？
• RQ3 在纯数据驱动方法的基础上，引入专家指导的生理学特征能在多大程度上提升检测性能？
• RQ4 散射变换是否能为睡眠研究中多种生物信号提供稳健的半自动特征提取？
• RQ5 在将回顾性模型适应为在线分类时，性能与实时可行性之间存在何种权衡？

主要发现

• 所提出的算法在2018年PhysioNet挑战赛的隐藏测试集上实现了0.50的AUPRC，在后续评估和官方评估阶段均并列第二名。
• 75个生理学启发特征与390个散射变换特征的结合，相比纯端到端深度学习模型表现更优。
• 即使散射变换的滤波器组设计对不同生物信号并非最优，其生成的特征本身仍位列挑战赛前五名。
• 该模型表明，专家指导的特征选择能够捕捉标准深度网络难以学习的RERA中细微的生理模式。
• 通过单向LSTM实现实时适应后，性能下降至AUPRC 0.36和AUROC 0.85，表明未来上下文信息在准确分类中的重要性。
• 本研究揭示了出人意料的特征重要性模式，为RERA的生理特征签名提供了新见解，可为未来算法开发提供指导。