XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

睡眠不仅仅是我们在日常生活中的一次停顿，它是一个至关重要的生物过程，能够修复我们的身体和大脑。当这种休息被中断时，后果可能是严重的，从慢性疲劳到严重的心脏疾病不等。最常见且最危险的干扰之一是睡眠呼吸暂停，这是一种患者在夜间呼吸反复停止和开始的疾病。几十年来，诊断这种疾病唯一可靠的方法是通过一种复杂的医院测试，称为多项睡眠图检查。这一程序涉及在患者身上连接十几个传感器，以监测他们在睡眠期间的脑波、肌肉活动和心律。虽然有效，但这个过程繁琐、昂贵，且往往令人不适，导致绝大多数遭受睡眠呼吸暂停之苦的人因为从未进行过这项测试而处于未被诊断的状态。

为了解决这个问题，研究人员将注意力转向了一个更简单的信号：心电图（ECG），它记录心脏的电活动。心脏的跳动并非完全规律，其速度和强度会随着呼吸和其他身体功能的变化而发生细微改变。在睡眠呼吸暂停患者身上，这些细微变化遵循着一种与健康睡眠者不同的独特模式。挑战在于如何教会计算机自动识别这些模式，而无需人类专家手动审查数小时的数据。来自印度尼西亚巴淡理工学院（Politeknik Negeri Batam）的一项新研究提出了一种解决方案，该方案使用一根导线记录心脏，并利用一种强大的数学工具来解释数据，为睡眠障碍的简单居家筛查提供了一条潜在路径。

研究人员首先从一个公共数据库中收集了大量的记录心电图数据，其中每一分钟的信号都已被医学专家标记为“呼吸暂停”或“正常”。他们专注于时长约为十六分钟的记录，选择这一时长是为了捕捉足够的临床细节，以区分这两种状态。在计算机学习这些数据之前，团队必须对信号进行清洗。正如照片可能会因为灰尘或手抖而变得模糊一样，心脏记录也可能受到电干扰或患者身体运动的干扰。团队使用了数字滤波器来消除这些多余的噪声，确保心脏真实的节律清晰可见。

一旦信号清洗完毕，研究人员面临的任务就是将原始心跳转化为计算机能够理解的语言。他们并没有仅仅观察心率，而是将数据分解为二十六种不同的特征，这些特征描述了心脏电波的形状和行为。其中一些特征测量两次心跳之间的时间间隔，另一些则分析了节奏随时间变化的稳定性。他们还观察了心脏电波主要脉冲（即 QRS 波群）的具体形状，测量其高度和宽度。为了捕捉更深层的模式，他们应用了先进的数学技术来检查心脏节律在短时间和长时间内的波动，将信号视为一种复杂的、具有自相似性的结构，而非一条简单的直线。这种多维度的处理方式确保了计算机拥有心脏行为的完整图景，而不仅仅是一个单一的快照。

在准备好这些特征后，团队训练了一个被称为 XGBoost 的复杂机器学习算法。可以将这个算法想象成由许多简单的决策者组成的团队。团队中的每一位成员都会观察数据的一个小部分，并对患者是否正在发生呼吸暂停事件做出猜测。随后，团队会将这些猜测结合起来，通过修正前一个成员的错误，直到得出最终高度准确的结论。研究人员投入了大量时间来调整该算法的设置，调整其分析数据的深度和学习的速度，以确保它不仅仅是死记硬背训练样本，而是能够真正识别出新的模式。他们还测试了这二十六个特征中哪些是最重要的，发现心跳之间的时间间隔以及电脉冲的具体形状是最可靠的指标。

这一方法的结果令人瞩目。当在从未见过的新数据上进行测试时，该系统正确识别睡眠呼吸暂停事件的准确率达到了 96.1%。它在排除健康睡眠者方面表现得异常出色，在识别无此类疾病的人群时达到了 100% 的完美得分，同时仍能捕捉到 92.1% 的实际呼吸暂停病例。与医学研究中使用的其他常见方法（如标准神经网络或更简单的统计模型）相比，这个优化后的系统优于所有其他方法。这项研究表明，通过将对心脏形状和节律的详细分析与强大的学习算法相结合，实现对睡眠障碍的检测，其精准度可以媲美复杂的、多传感器的医院测试。这表明在不久的将来，一个简单的单导联设备就能为诊断睡眠呼吸暂停提供可靠的第一步，使这一过程能够惠及比以往更多的人。