Schlafapnoe-Erkennung aus Einzelleiter-EKG: Eine umfassende Analyse von Machine Learning und Deep Learning Algorithmen

Schlafapnoe, eine verbreitete Schlafatmenstörung, stellt erhebliche Gesundheitsrisiken dar und erfordert eine genaue Erkennung für die entsprechende Behandlung. Diese Studie analysiert umfassend Machine Learning und Deep Learning Algorithmen unter Verwendung des PhysioNet EKG Schlafapnoe v1.0.0 Datensatzes. Elektrokardiogrammsignale wurden vor der Anwendung verschiedener Algorithmen zur Schlafapnoe-Erkennung vorverarbeitet und segmentiert. Konventionelle Machine Learning-Methoden wie lineare und quadratische Diskriminanzanalysen, logistische Regression, Support-Vektor-Maschinen und Entscheidungsbäume sowie Deep Learning-Techniken einschließlich konvolutionaler und rekurrenter Netzwerke wurden implementiert und modifiziert, um den Anforderungen der Biosignalverarbeitung gerecht zu werden. Der Datensatz wurde in Trainings-, Validierungs- und Testsets aufgeteilt, wobei ein fünfmaliges Kreuzvalidierungsschema für eine robuste Bewertung sorgte. Hybride Deep-Modelle zeigten eine überlegene Leistung und erreichten eine Genauigkeit von 88,13 %, eine Sensitivität von 84,26 % und eine Spezifität von 92,27 %. Diese Studie bietet wertvolle Einblicke in die Wirksamkeit verschiedener Machine Learning und Deep Learning-Algorithmen zur Schlafapnoe-Erkennung, mit potenziellen Erweiterungen auf andere schlafbezogene Ereignisse. Die entwickelten Algorithmen sind öffentlich auf GitHub verfügbar.