详细内容
鼾聲激發(fā)位置的自動分類
時間：2021-10-22 作者：北京思力普睡眠研究所 【原創(chuàng)】
研究目的
對于阻塞性睡眠呼吸暫停低通氣綜合征患者的手術治療，準確定位上呼吸道阻塞部位至關重要；然而，用于定位阻塞部位的無創(chuàng)傷方法尚未得到很好的探索。打鼾作為阻塞性睡眠呼吸暫停低通氣綜合征的主要癥狀，應包含有反映上呼吸道狀態(tài)的信息。本研究通過對四個不同位置產生的鼾聲進行分類，旨在檢驗不同阻塞部位產生不同鼾聲的假設。
方法
我們在包含 219 名參與者的公共數據集上訓練和測試了我們的模型。對于每個打鼾事件，提取并連接一個聲學和生理特征，形成一個 59 維的融合特征。主成分分析和支持機器向量用于降維和打鼾分類。使用以下幾個指標評估模型的性能：靈敏度、精確度、特異性、接受者操作特征曲線下的面積和 F1 分數。
結果
靈敏度、精確度、特異性、曲線下面積和F1的未加權平均值分別為86.36%、89.09%、96.4%、87.9%和87.63%。該模型對 V 型（軟腭）、O型（口咽）、T型（舌）和 E型（會厭）打鼾的靈敏度分別為 98.04%、80.56%、72.73% 和 94.12%。
結論
打鼾的特征與上呼吸道的狀態(tài)有關。基于機器學習建立的模型可用于呼吸道振動部位的定位。
（葉妮摘自 J Clin Sleep Med. 2021;17(5):1031–1038.）
