摘要：目的睡眠呼吸暂停综合征(sleep apnea syndrome,SAS)是威胁生命健康的多发病之一,目前判断SAS的方法大多采用多导睡眠图(polysomnography,PSG),但其操作难度大、专业性高,不能有效推广,因此,设计一种自动检测SAS的方法显得尤为迫切和重要。方法本文设计了一种基于梯度提升树(gradient boosting decision tree,GBDT)的算法方案,首先通过信号处理方法提取心电图(electrocardiogram,ECG)数据的心率变异性(heart rate variability,HRV)特征,然后结合上下文相关性策略处理HRV数据训练模型。在得到模型后,采用动态阈值策略微调预测结果。最后统计每小时内的SAS发生次数,得到呼吸暂停低通气指数(apnea-hypopnea index,AHI),完成SAS病情预测。结果本文使用Apnea-ECG数据库的ECG数据验证该算法效果。结果显示,采用本文方案,35个测试样本的SAS单分钟识别率为88.56%,按照AHI指标,将样本分为健康、轻度、中度、重度4类,其准确率为91.43%。结论本文所述基于GBDT的ECG-SAS识别方案,可以有效检测SAS事件,评估个体的SAS病情。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社