基于ResNet与Attention模块的睡眠呼吸暂停检测分析.pdfVIP

AdvancesinClinicalMedicine临床医学进展,2025,15(1),1743-1751

PublishedOnlineJanuary2025inHans./journal/acm

/10.12677/acm.2025.151233

基于ResNet与Attention模块的睡眠呼吸暂停

检测分析

吴培宇，杨其宇

广东工业大学自动化学院，广东广州

收稿日期：2024年12月24日；录用日期：2025年1月16日；发布日期：2025年1月30日

摘要

本文提出了一种基于ResNet架构的模型，用于睡眠呼吸暂停(SAS)的自动检测。该模型以原始心电图(ECG)

信号为输入，利用多层卷积和池化结构实现高效的特征提取，省去了额外的特征工程步骤。为了进一步

提升模型的性能，特别引入了注意力机制，使模型能够聚焦于信号中关键特征，有效提高了检测的准确

性和鲁棒性。实验结果显示，该模型在准确度(93.84%)、灵敏度(92.00%)、特异性(94.97%)及F1分数

(0.9193)等指标上均表现优异，显著优于传统网络模型。与近年来相关研究相比，本模型在SAS检测任务

中展现了显著优势，突显了其在实际应用中的潜力。

关键词

SAS，心电信号，深度学习，ResNet，Attention

AnalysisofSleepApneaDetectionBased

onResNetandAttentionModule

PeiyuWu,QiyuYang

SchoolofAutomation,GuangdongUniversityofTechnology,GuangzhouGuangdong

th,2024;accepted:Jan.16th,2025;published:Jan.30th,2025

Received:Dec.24

Abstract

ThispaperpresentsaResNet-basedmodelforautomaticdetectionofsleepapneasyndrome(SAS)

usingrawelectrocardiogram(ECG)signals.Themodelutilizesmulti-layerconvolutionalandpool-

ingstructurestoachieveefficientfeatureextraction,eliminatingtheneedforadditionalfeatureen-

gineering.Tofurtherenhancethemodel’sperformance,aspecialattentionmechanismwasintro-

duced,enablingthemodeltofocusonkeyfeaturesinthesignal,effectivelyimprovingthedetection

文章引用:吴培宇,杨其宇.基于ResNet与Attention模块的睡眠呼吸暂停检测分析[J].临床医学进展,2025,15(1):

1743-1751.DOI:10.12677/acm.2025.151233

吴培宇，杨其宇

accuracyandrobustness.Experimentalresultsshowthatthemodelachievesexcellentperformance

intermsofaccuracy(93.84%),sensitivity(92.00%),specificity(94.97%),andF1score(0.9193),

significantlyoutperformingtraditionalnetworkmodels.Comparedwithrecentrelatedstudies,this

mod