Sleep Apnea Detection from Single-Lead ECG Signal Using Hybrid Deep CNN

Abstract

Sleep apnea (SA) is a prevalent disorder that disrupts breathing during sleep, posing risks to multiple organs and potentially causing sudden death. The electrocardiogram (ECG) is vital for diagnosing SA due to its ability to identify irregular heart activity. This study introduces hybrid CNN models designed to automatically detect SA using a single-lead ECG signal. We validated our method through experiments with the Physionet Apnea-ECG dataset, which contains 70 single-lead ECG recordings annotated by medical professionals. Our results surpass the current state-of-the-art methods in accurately detecting SA from single-lead ECG signals, achieving an accuracy of 91.4% for per-segment classification and 100% for per-recording classification.

Spánková apnoe (SA) je rozšířená porucha, která narušuje dýchání během spánku, ohrožuje více orgánů a může vést až k náhlé smrti. Elektrokardiogram (EKG) hraje klíčovou roli při diagnostice SA díky své schopnosti detekovat nepravidelnou srdeční aktivitu. Tato studie představuje hybridní modely konvolučních neuronových sítí (CNN) určené k automatické detekci SA pomocí jednosvodového EKG signálu. Naši metodu jsme ověřili pomocí experimentů s databází Physionet Apnea-ECG, která obsahuje 70 jednosvodových EKG záznamů anotovaných lékařskými odborníky. Naše výsledky překonávají dosavadní metody ve schopnosti přesné detekce SA z jednosvodového EKG, přičemž dosahují přesnosti 91,4 % při klasifikaci jednotlivých segmentů a 100 % při klasifikaci celých záznamů.