OSACN-Net：使用深度学习和Gabor心电图信号谱图进行睡眠呼吸暂停分类

这篇文章在之前读过一次，其主要的思路就是利用Gabor变换，将心电信号转变为光谱图进行识别研究，总体来讲，不同于其他的利用心电信号分类的算法，该论文将心电信号转换为光谱图，在此基础上，分类问题就从信号分类问题变为图像分类（或者检测）的问题。

名词解释：
😃OSA：（Obstructive sleep apnea）睡眠呼吸暂停综合征

😃 SGS: (Gabor spectrogram smoothed by a third-order Savitzky–Golay (S-G) filter.) 平滑的Gabor谱图

😃 GS: (Gabor spectrogram) Gabor光谱图

😃 T-F : (time-frequency (T-F) spectral images) 时频图

😃 TFR:the 2-D images of joint T-F representation 2D-时频光谱图

一、主要工作的阐述

作者在论文中阐述了自己所做的主要工作：
1)本文提出了一种集成了SGS和基于深度学习的OSA自动检测方法的新方法。
2)本研究首次采用了S-G滤波器与TFR的融合技术，显著提高了OSA的检测性能。
3)最合适的特征的提取、选择和分类是一项耗时的主观任务。因此，利用T-F光谱图作为输入信号，开发了一个DLM------OSACN-Net。
4)开发的OSACN-Net是不那么复杂的轻量级模型，因为它只包括四个卷积层（CLs）、三个池化层（PLs）和两个完全连接的层（FCLs）。
该算法的流程图大致如下：
1、利用Gabor变换将60s的信号片段由一阶时间序列转变为二维时频光谱图
2、将光谱图使用SG滤波器滤波，得到smoothed Gabor spectrogram (SGS)
images。
3、得到的SGS送入OSA-net当中得到分类。

二、技术细节

1、数据集处理
论文作者使用的是The Apnea-ECG database数据集，该数据集曾用于心脏病识别挑战赛。其中，将数据集划分为60s的片段，其中每个片段都带有专家标记的是否患有OSA。

2、Gabor Transform
Gabor变换将ECG信号由时间序列转换到频域，这一步还将生成额外的时频图。
3、S-G滤波器
上一步得到的时频图，经过三阶S-G滤波器平滑滤波后，就得到了S-G-S图，由下图所示。

4、 OSACN-net网络结构
该网络的结构非常简单，如下图所示：
作者前面的主要贡献里也提到了该网络模型的优势在于轻量级和低复杂性，在检测精度上优于Squeezenet和Resnet50

三、实验结果

在保证输入数据不变的情况下，作者做了以下几组对比实验，并最终论证了OSACN-Net的优势。

附录

😆 Q1： 如何将一维时间序列转换为二维图像
参考链接：点击链接，一维时间序列处理
😆 Q2：数据集划分的方式
该数据库包含70条心电图记录和整个夜间记录。每条记录时长约为7-10小时，并包括每分钟正常和呼吸暂停的注释。记录根据ApI和呼吸暂停-非呼吸暂停分钟进行划分，每个记录被分割成60秒（6000个样本）片段。分割后共得到11 620个片段。每个片段都被标记为正常或呼吸暂停。因为它比较了不同的周期长度，受试者Id分别为x27m和c01m。
在数据计划分上，80%的数据集用作训练集，10%数据集用作验证集，10%数据集用作测试集。

😆 Q3：训练以及实验的部分细节
本研究的重点是利用心电信号对正常和呼吸暂停发作进行准确的分类，以获得一个可靠和稳健的OSA检测系统。使用呼吸暂停心电图数据库。这项研究包括三个步骤。首先，心电图记录被分割成60秒的片段。其次，利用GT获得了60秒分段心电信号的频谱图。第三，利用3阶S-G滤波器对获得的光谱图图像进行平滑处理，并馈入DLM。为了选择性能最好的TFR和DLM，将GS和SGS图像作为输入输入预先训练的net50，并开发OSACN-Net对OSA和正常类别进行分类。
📌Gabor变换使用Guassian窗口函数，窗口长度为251
📌使用三阶、窗口长度为5的S-G滤波器提供了更高的信噪比（SNR）和结构相似度指数（SSI）
至此，使用长度为251的高斯窗口将一维信号转换为二维光谱图，并使用窗口长度为5的三阶S-G滤波器得到SGS。
📌为了匹配输入图像的大小，所有图像的大小都被调整压缩， Squeeze-Net、OSACN-Net为227×227，Res-Net50为224×224。
📌优化器使用Adam，训练策略采用十折交叉验证方法；训练了25个epochs，batch_size大小为128.
📌Squeeze-Net and Res-Net50 provide the STD of 0.71 and 0.65 and the CI of 90.34 ±0.44 and 94.51 ± 0.40. The developed OSACN-Net marks as the STD of 0.49 and CI of 94.81 ± 0.30 with SGS images.