InsoNet：利用Superlet变换和卷积神经网络（CNN）从心电图（ECG）信号中自动检测失眠症的时间频率表示方法

《IEEE Access》：InsoNet: Time Frequency Representation using Superlet Transform and CNN for Automated Insomnia Detection from ECG Signals

　　

摘要：

睡眠是一种对身心恢复至关重要的生理过程。睡眠不足与多种疾病有关，包括嗜睡症、失眠症、睡眠周期性肢体运动障碍和睡眠呼吸暂停。失眠是最常见的睡眠障碍之一，其特征是难以入睡、难以保持睡眠状态或无法获得充分的休息，这可能导致严重的健康问题。传统的失眠检测方法（如多导睡眠图）成本高昂、耗时较长，并且需要专门的临床设备。为了克服这些限制，本文提出了一种利用心电图（ECG）信号进行失眠检测的自动化且经济高效的方法。通过Superlet变换（SLT）生成频谱图形式的时频表示，然后将其输入到定制设计的卷积神经网络（CNN）框架InsoNet中。在睡眠障碍研究中心（SDRC）和循环交替模式（CAP）数据集上，将InsoNet的性能与预训练模型（如AlexNet、MobileNetV2和VGG19）进行了比较。在CAP数据集上，InsoNet的准确率为99.64%、灵敏度为99.65%、特异性为99.64%、精确度为99.65%、F1分数为99.65%，关键成功指数（CSI）为0.99，误漏率（FOR）和误发现率（FDR）均为0.36。在SDRC数据集上，InsoNet在准确率、灵敏度、特异性和F1分数方面的表现均为99.3%，CSI为0.99，FOR和FDR为0.71。这些结果证实了InsoNet优于现有模型，并显示出其在临床应用中的巨大潜力。