A Two-Stage Audio Cascade with Coordinate Attention for On-Device Snore and Sleep Apnea Detection

Problema

L'apnea ostruttiva del sonno (OSA) è un disturbo cronico prevalente con significativi rischi per la salute, eppure si stima che l'80-90% dei casi rimanga non diagnosticato a livello globale. Il gold standard clinico, la polisonnografia (PSG) in laboratorio, è costosa, inaccessibile a molti e fornisce solo un'istantanea di una singola notte. Sebbene l'audio degli smartphone offra un'alternativa di screening potenzialmente a basso costo e senza contatto, gli approoli di deep learning esistenti affrontano due sfide ingegneristiche primarie:

1. Struttura Temporale: Le reti neurali convoluzionali (CNN) 1D standard spesso applicano una ponderazione uniforme attraverso i passi temporali, fallendo nel catturare le fasi temporalmente significative degli eventi di apnea (esordio, plateau di silenzio e recupero).
2. Deployment su Edge: Molti modelli ad alta accuratezza richiedono l'inferenza in cloud a causa delle loro dimensioni, compromettendo la privacy e la capacità in tempo reale sui dispositivi di consumo.

La sfida ingegneristica centrale affrontata è se una rete neurale leggera, operante interamente su uno smartphone utilizzando solo il microfono integrato, possa rilevare eventi di respirazione disturbata durante il sonno con una sensibilità clinicamente significativa mantenendo al contempo una bassa latenza di inferenza.

Metodologia

Gli autori propongono una cascata audio a due stadi per l'on-device inference.

Stadio 1: Rilevamento dello russamento a finestra breve

• Input: Segmenti audio di 1 secondo convertiti in matrici di coefficienti cepstrali sulle frequenze Mel (MFCC) di 15 × 13.
• Architettura: Una CNN 2D compatta (301.473 parametri) classifica ogni segmento come "russamento" o "non russamento".
• Output: Un flag binario (0 o 1) campionato a 1 Hz.

Stadio 2: Rilevamento di apnea/ipopnea a finestra lunga

• Input: Una finestra di 200 secondi rappresentata da una matrice di caratteristiche 200 × 3 campionata a 1 Hz. I tre canali sono:
  1. Livello di pressione sonora (SPL) in dB.
  2. Variazione del tasso di SPL (dB/sec).
  3. Il flag binario della presenza di russamento generato dallo Stadio 1.
• Task: Classificazione binaria per determinare se la finestra di 200 secondi contiene un evento di apnea o ipopnea (definito come ≥10 secondi di flusso d'aria ridotto o assente).
• Architettura Proposta (CA-1D): Gli autori adattano la Coordinate Attention (CA), originariamente progettata per la visione 2D, ai dati temporali 1D.
  • Meccanismo: Invece del global average pooling utilizzato nell'attenzione Squeeze-and-Excitation (SE), che collassa il tempo producendo un vettore $1 \times C$ invariante nel tempo, il modulo CA-1D impiega uno schema di fusione globale-locale. Esso calcola un vettore di contesto globale, lo replica lungo la dimensione temporale e lo concatena con le caratteristiche locali. Ciò produce una mappa di attenzione di forma $T \times C$ (tempo $\times$ canali), preservando le informazioni sulla posizione temporale.
  • Baseline di confronto: Il modello proposto viene confrontato con una CNN 1D vanilla (con testa classificatrice pesante) e una CNN con SE-Attention (pesi invarianti nel tempo).

Protocollo Sperimentale

• Dataset: 2.953 finestre di 200 secondi etichettate tramite PSG provenienti da 40 partecipanti (80 notti-persona), comprendenti registrazioni sia ospedaliere che domestiche.
• Valutazione: Un rigoroso protocollo bootstrap a cinque seed. I modelli sono stati addestrati cinque volte con diversi seed casuali e i risultati sono stati riportati come medie con intervalli di confidenza bootstrap al 95%. I confronti a coppie hanno utilizzato il campionamento bootstrap accoppiato per controllare la variabilità indotta dalla divisione dei dati.

Contributi Chiave

1. Cascata a due stadi: Una pipeline innovativa in cui un rilevatore di russamento a finestra breve alimenta un classificatore di eventi a finestra lunga, creando una rappresentazione intermedia ultra-compatta (~600 valori per finestra) adatta ai dispositivi mobili.
2. Adattamento CA-1D: Un adattamento metodologico della Coordinate Attention per serie temporali biomediche 1D, che utilizza la fusione globale-locale per preservare la posizione temporale nella mappa di attenzione.
3. Valutazione Multi-Seed Rigorosa: Uno studio empirico che confronta tre architetture attraverso cinque seed casuali, affrontando la comune debolezza della segnalazione a singolo seed nei paper di AI biomedica con dataset limitati.
4. Efficienza dei Parametri: Una riduzione dei parametri del modello del 93,2% (da 204.801 a 14.001) migliorando al contempo le metriche di performance.
5. Caratterizzazione Onesta dell'Attenzione: Una delineazione precisa di dove la Coordinate Attention aggiunge valore (Precisione e Specificità) rispetto a dove non lo aggiunge (F1 o AUC) rispetto alla SE-Attention.

Risultati

Valutati sul dataset di 2.953 campioni:

• Stadio 1 (Rilevamento Russamento): Ha raggiunto il 94,29% di accuratezza e un F1-score del 90,28%.
• Stadio 2 (Rilevamento Apnea):
  • Coord-Attn vs. CNN Originale: Il modello CA-1D proposto ha raggiunto l'87,14% di accuratezza e l'86,94% di F1, superando significativamente la baseline da 204k parametri (83,82% di accuratezza) in sei dei sette parametri (Accuratezza, Precisione, Specificità, F1, AUC-ROC, AUC-PR).
  • Coord-Attn vs. SE-Attention: Confrontato con la baseline SE-Attention (13.629 parametri), il modello CA-1D ha mostrato miglioramenti statisticamente significativi in Precisione (+2,62 pp) e Specificità (+3,40 pp). Tuttavia, le differenze in F1, AUC-ROC e AUC-PR non erano statisticamente significative sotto l'analisi bootstrap multi-seed.
  • Efficienza dei Parametri: Il modello CA-1D ha ottenuto un'accuratezza superiore all'86% con solo ~14k parametri, una riduzione di oltre 14 volte rispetto alla baseline, mantenendo un'alta accuratezza.

Significatività e Rivendicazioni

Il documento afferma che l'architettura proposta dimostra con successo che i meccanismi di attenzione aware della posizione possono essere adattati per serie temporali audio 1D per migliorare il rilevamento dell'apnea del sonno su dispositivi.

• Impatto Clinico/Ingegneristico: Il modello offre una via per uno screening del sonno scalabile e rispettoso della privacy su smartphone di consumo, riducendo la dimensione del modello di oltre il 90% pur migliorando l'accuratezza del rilevamento.
• Insight Metodologico: Lo studio evidenzia come, sebbene la Coordinate Attention offra un vantaggio reale nella riduzione dei falsi positivi (maggiore Precisione e Specificità) rispetto alla SE-Attention, ciò non si traduce necessariamente in un guadagno statisticamente significativo nei punteggi complessivi di F1 o AUC. Questa sfumatura è critica per i professionisti che progettano strumenti di screening dove i falsi allarmi causano il disimpegno dell'utente.
• Riproducibilità: Gli autori sottolineano l'importanza della valutazione bootstrap multi-seed per evitare conclusioni fuorvianti quando si confrontano architetture di dimensioni simili su piccoli dataset.

Limitazioni Note dagli Autori:

• La valutazione è a livello di finestra, non disgiunta per partecipante; il modello non è stato validato su individui completamente nuovi (leave-subjects-out).
• Il dataset, sebbene diversificato per ambienti di registrazione, è limitato a 40 partecipanti.
• Lo studio si concentra sul rilevamento della finestra dell'evento, non sull'aggregazione dei punteggi in una stima AHI a livello notturno o nella classificazione clinica completa.