论文阅读：Towards an accurate sleep apnea detection based on ECG signal: The quintessential of a wise feature selection
一、摘要
为通过ECG信号检测除临床疾病（如睡眠呼吸暂停），在这项研究中，对ECG信号进行建模以获取心率变异性（HRV）和ECG衍生呼吸（EDR）。选定的特征技术用于与不同分类器（例如人工神经网络（ANN）和支持向量机（SVM）等）进行基准测试。结果表明，最佳准确度为82.12％，灵敏度和特异性分别为88.41％和72.29％。
睡眠呼吸暂停是一种常见的与睡眠有关的呼吸障碍，其特征是在睡眠过程中反复发作部分或完全的上呼吸道阻塞，导致睡眠碎片和氧饱和度降低 [1]。以下是几种睡眠呼吸暂停状况的简要概述：
•阻塞性睡眠呼吸暂停（OSA）：由于气流停止或明显减少，患者表现出呼吸努力，导致胸部和腹部劳损而继续呼吸。
•中枢性睡眠呼吸暂停（CSA）：完全停止气流和呼吸运动至少10 s。
•混合睡眠呼吸暂停（MSA）：由OSA和CSA组成。
•呼吸不足：由于呼吸缓慢和浅浅而向肺提供少量氧气的状况。没有呼吸暂停严重。
睡眠呼吸暂停疾病会增加发病率并损害心血管结果 [2]。由于心血管疾病是导致死亡的主要原因 [3]，未经治疗的睡眠呼吸暂停是一项重大的公共卫生负担，在其预测，发现和/或治疗方面也面临着巨大挑战。睡眠呼吸暂停的精确检测基于对给定时间段内（例如一夜的睡眠）呼吸暂停和呼吸不足发作的计数。每小时平均呼吸暂停事件是常用标准中的一个相关指标，例如呼吸暂停/呼吸不足指数（AHI） [4]或呼吸障碍指数（RDI） [5]。
二、数据
对从PhysioNet数据库获得的ECG文件进行了全面测试，对提出的方法进行了评估 [23]。该数据源包含70条记录，但由于包含注释，因此仅使用了35条记录。每条记录均以100 Hz的频率采样，大约8小时长，每分钟都有注释。记录是通过呼吸信号获得的。注释是由睡眠障碍专家使用具有呼吸信号分析功能的标准标准做出的。在睡眠呼吸暂停或无呼吸暂停的情况下，每分钟分别标记为“ A”或“ N”。
三、方法
首先执行QRS检测，R波检测使用TEO算法 [24]执行，特征提取沿HRV和EDR信号进行处理。一方面，从一个R波到下一个R波的时间间隔意味着心跳持续时间内的周期变化被视为HRV。另一方面，EDR是用于从普通心电图推导呼吸信号的处理信号技术。使用梯形获得R波的面积。
由于为一分钟的数据段提供了数据库分类，因此从这些段中提取了特征。总共从HRV中提取了50个特征，从EDR信号中提取了34个特征，总共提供了84个特征。表1列出了从HRV中提取的18个特征，表2列出了从EDR中提取的2个特征。表3列出了通过256点FFT功率谱密度提取的特征。
为HRV和EDR计算了256点FFT功率谱密度，但仅保留了前32个点 [25]。
在分类阶段，有9个分类器，例如人工神经网络（ANN），支持向量机（SVM），线性判别分析（LDA），偏最小二乘回归（PLS），回归分析（REG），维纳-霍夫方程（WienerHopf ），实施了增强朴素贝叶斯分类器（aNBC），感知器学习算法（PLA）和最小均方（LMS），并对其性能进行了比较评估。首先，实现了前馈反向传播神经网络。
四、结果
实验分为两部分：一部分关于特征的提取和分类，另一部分关于特征的选择和分类。最初提取并分类了84个特征，这些特征通过PLS获得了63％的准确率，从而获得了最佳结果；SVM的最佳特异性为99.23％，PLA的最佳灵敏度为68.36％。
然后应用特征选择方法时，如分类部分所述，对所有不同的特征集进行分类，按照特征的等级进行组织，并使用判别相关性进行计算。此外，所有功能集都使用相同的分类器进行分类。表4，表5介绍执行的测试和相应的结果。这些结果对于理解分类的演变非常重要，即应注意的是，灵敏度大多很高。这表明所实施算法具有检测睡眠呼吸暂停时刻的能力。而且，与非呼吸暂停时刻的检测有关，观察到灵敏度在某些点上总是恒定的，也就是说，灵敏度保持较高的分数，具有或多或少的特征。最后，具有更多特征的特异性低于具有更少特征的特异性。
然后，可以清楚地观察到，具有20个特征的ANN可获得最佳结果，准确度为82.12％。在这里可以看出，这些特征与睡眠呼吸暂停和正常时刻的检测更加相关。可以看出，具有2个特征的最佳灵敏度值为100％，而特异性为0％。在这种情况下，由于特异性为0，因此准确性较低（62.24％）。可以清楚地看到，在平衡分类中，最佳特异性为96.88％（LDA）。
当特异性增加时，分类器倾向于产生较低的灵敏度，换句话说，它降低了睡眠呼吸暂停时间的检测。例如，使用14个功能，LDA具有96.88％的特异性，但灵敏度为3.31％。
该图。图6，图7和图8显示了特征被删除时不同参数的演变，并且还分别从敏感性，特异性和准确性方面比较了分类器的不同性能。
通过分析上一节中给出的结果，不同的分类器会呈现不同的行为，具体取决于赋予它们进行分类的功能数量。例如，具有70个特征的SVM的准确度为75.18％，灵敏度为86.79％，特异性为56.45％。但是，具有44个功能，SVM的准确度为70.00％，但灵敏度为91.33％，特异性为34.88％。在这里可以看出，具有不同特征的不同准确性，特异性和敏感性也不同
