Efficient sleep apnea detection using single-lead ECG: A CNN-Transformer-LSTM approach
Abstract
Background:Sleep apnea (SA), a prevalent sleep-related breathing disorder, disrupts normal respiratory patterns during sleep. This disruption can have a cascading effect on the body, potentially leading to complications in various organs, including the heart, brain, and lungs. Due to the potential for these complications, early and accurate detection of SA is critical. Electrocardiograms (ECG), due to their ability to continuously monitor heart rhythms and detect subtle changes in cardiac activity, such as heart rate variability and arrhythmias, which are often linked to sleep disruptions, have become crucial in identifying individuals at risk for SA.Method:In this study, we propose a hybrid neural network model named CNN-Transformer-LSTM that uses a single-lead ECG signal to detect SA automatically. This method captures spatial and temporal features in the ECG data to improve classification performance. Our model utilizes RR intervals (RRI) and R-peak signals derived from ECG data as input and then classifies SA and normal states on a per-segment and per-recording basis. We evaluated the model using the Physionet Apnea-ECG dataset, consisting of 70 single-lead ECG recordings annotated by medical professionals, and the UCD St. Vincent’s University Hospital’s sleep apnea database (UCDDB) containing polysomnogram records from 25 patients.Results:Our model achieved an accuracy of 91.6% for per-segment classification on the Physionet Apnea-ECG dataset using hold-out validation and the highest accuracy of 94.1% using five-fold cross-validation. As for per-recording classification, our model achieved an accuracy of 100% and the highest correlation coefficient value of 0.9996 using five-fold cross-validation. On the UCDDB dataset, our model achieved an accuracy of 99.37% on the reduced dataset excluding 4 patients and 98.34% on the full dataset. Compared to previous works, our model improved the per-segment classification accuracy by nearly 3% over the existing best result, thereby demonstrating that our model outperforms existing state-of-the-art methods in accurately detecting SA from a single-lead ECG signal.Conclusion:These results highlight the effectiveness of the CNN-Transformer-LSTM model for SA detection and its potential to be used in SA detection devices for home health care and clinical settings.
Souvislosti:Spánková apnoe (SA), rozšířená porucha dýchání související se spánkem, narušuje normální dýchací vzorce během spánku. Toto narušení může mít kaskádovitý účinek na tělo a potenciálně vést ke komplikacím v různých orgánech, včetně srdce, mozku a plic. Vzhledem k potenciálu těchto komplikací je včasná a přesná detekce SA zásadní. Elektrokardiogramy (EKG) se díky své schopnosti kontinuálně monitorovat srdeční rytmy a detekovat jemné změny v srdeční aktivitě, jako je variabilita srdeční frekvence a arytmie, které jsou často spojeny s poruchami spánku, staly klíčovými pro identifikaci jedinců s rizikem SA.Metoda:V této studii navrhujeme hybridní model neuronové sítě s názvem CNN-Transformer-LSTM, který k automatické detekci SA používá signál EKG z jednoho svodu. Tato metoda zachycuje prostorové a časové charakteristiky v datech EKG pro zlepšení klasifikačního výkonu. Náš model využívá jako vstup RR intervaly (RRI) a signály R-píku odvozené z dat EKG a poté klasifikuje SA a normální stavy na základě segmentů a záznamů. Model jsme vyhodnotili pomocí datové sady Physionet Apnea-ECG, která se skládá ze 70 záznamů EKG z jednoho svodu anotovaných zdravotnickými pracovníky, a databáze spánkové apnoe (UCDDB) Univerzitní nemocnice UCD St. Vincent’s, která obsahuje záznamy polysomnogramů od 25 pacientů.Výsledky:Náš model dosáhl přesnosti 91,6 % pro klasifikaci na segment na datové sadě Physionet Apnea-ECG s použitím validace hold-out a nejvyšší přesnosti 94,1 % s použitím pětinásobné křížové validace. Co se týče klasifikace na záznam, náš model dosáhl přesnosti 100 % a nejvyšší hodnoty korelačního koeficientu 0,9996 s použitím pětinásobné křížové validace. Na datové sadě UCDDB dosáhl náš model přesnosti 99,37 % na redukované datové sadě s vyloučením 4 pacientů a 98,34 % na plné datové sadě. Ve srovnání s předchozími pracemi náš model zlepšil přesnost klasifikace na segment o téměř 3 % oproti stávajícímu nejlepšímu výsledku, čímž prokazuje, že náš model překonává stávající nejmodernější metody v přesné detekci SA z jednosvodového EKG signálu.Závěr:Tyto výsledky zdůrazňují účinnost modelu CNN-Transformer-LSTM pro detekci SA a jeho potenciál pro použití v zařízeních pro detekci SA pro domácí zdravotní péči a klinické prostředí.
Souvislosti:Spánková apnoe (SA), rozšířená porucha dýchání související se spánkem, narušuje normální dýchací vzorce během spánku. Toto narušení může mít kaskádovitý účinek na tělo a potenciálně vést ke komplikacím v různých orgánech, včetně srdce, mozku a plic. Vzhledem k potenciálu těchto komplikací je včasná a přesná detekce SA zásadní. Elektrokardiogramy (EKG) se díky své schopnosti kontinuálně monitorovat srdeční rytmy a detekovat jemné změny v srdeční aktivitě, jako je variabilita srdeční frekvence a arytmie, které jsou často spojeny s poruchami spánku, staly klíčovými pro identifikaci jedinců s rizikem SA.Metoda:V této studii navrhujeme hybridní model neuronové sítě s názvem CNN-Transformer-LSTM, který k automatické detekci SA používá signál EKG z jednoho svodu. Tato metoda zachycuje prostorové a časové charakteristiky v datech EKG pro zlepšení klasifikačního výkonu. Náš model využívá jako vstup RR intervaly (RRI) a signály R-píku odvozené z dat EKG a poté klasifikuje SA a normální stavy na základě segmentů a záznamů. Model jsme vyhodnotili pomocí datové sady Physionet Apnea-ECG, která se skládá ze 70 záznamů EKG z jednoho svodu anotovaných zdravotnickými pracovníky, a databáze spánkové apnoe (UCDDB) Univerzitní nemocnice UCD St. Vincent’s, která obsahuje záznamy polysomnogramů od 25 pacientů.Výsledky:Náš model dosáhl přesnosti 91,6 % pro klasifikaci na segment na datové sadě Physionet Apnea-ECG s použitím validace hold-out a nejvyšší přesnosti 94,1 % s použitím pětinásobné křížové validace. Co se týče klasifikace na záznam, náš model dosáhl přesnosti 100 % a nejvyšší hodnoty korelačního koeficientu 0,9996 s použitím pětinásobné křížové validace. Na datové sadě UCDDB dosáhl náš model přesnosti 99,37 % na redukované datové sadě s vyloučením 4 pacientů a 98,34 % na plné datové sadě. Ve srovnání s předchozími pracemi náš model zlepšil přesnost klasifikace na segment o téměř 3 % oproti stávajícímu nejlepšímu výsledku, čímž prokazuje, že náš model překonává stávající nejmodernější metody v přesné detekci SA z jednosvodového EKG signálu.Závěr:Tyto výsledky zdůrazňují účinnost modelu CNN-Transformer-LSTM pro detekci SA a jeho potenciál pro použití v zařízeních pro detekci SA pro domácí zdravotní péči a klinické prostředí.
Description
Subject(s)
sleep apnea, CNN-Transformer-LSTM, electrocardiogram, detection deep learning, spánková apnoe, CNN-Transformer-LSTM, EKG