0 引言

睡眠呼吸暂停(sleep apnea, SA)是一种常见的睡眠障碍，其特征是在睡眠过程中反复发生呼吸暂停或低通气事件，进而引发间歇性低氧血症和睡眠片段化^[1]。SA不仅会引发日间过度嗜睡、认知功能下降等神经行为异常^[2]，还与高血压、冠心病及猝死风险显著相关。SA的早期诊断对于改善患者预后具有重要意义^[3]。传统的SA诊断方法主要依赖多导睡眠图^[4]，尽管该方法具有较高的准确性，但其高成本、操作复杂及对专业人员的高度依赖，严重限制了其在大规模筛查中的推广应用。

近年来，基于心电图(ECG)信号的SA检测方法因其低成本、操作简便和非侵入性而受到广泛关注。生理学研究表明，SA事件可引发自主神经功能紊乱，进而导致ECG信号中RR间隔及QRS波幅的周期性波动。通过分析这些特征变化，可实现对SA的有效筛查^[5]。基于ECG信号与SA之间的相关性，Sharan等^[6]提出一种基于1D-CNN的SA检测方法，直接对带通滤波后的原始ECG信号进行建模。Bahrami等^[7]则从ECG信号中提取RR间隔和R峰幅度等特征作为输入进行SA检测，强调特征层面的表示。

在输入时间窗口方面，现有研究普遍采用1 min的ECG片段进行分析。为弥补短时段信息带来的特征缺失问题，Chen等^[8]提出了一种轻量级多尺度融合模型SE-MSCNN，该方法基于单导联ECG信号，融合1 min、3 min和5 min的RR间隔与R峰幅度信息进行多尺度建模，从而更全面地捕捉不同时间尺度下的特征变化。尽管SE-MSCNN模型在解决ECG节段信息缺失方面取得了一定效果，但其在特征视图的多样性和类别不平衡问题上仍存在不足。首先，SE-MSCNN主要依赖于单一视图的特征表示，未能充分挖掘时域与频域信息的互补性，限制了模型对SA事件复杂生理模式的表征能力。其次，SA检测中的类别不平衡问题同样影响了SE-MSCNN模型的分类性能。临床数据显示，呼吸暂停事件在整夜睡眠中占比通常不足15%。SE-MSCNN在处理这种高度失衡的数据集时，可能倾向于多数类，导致对少数类的识别效果不佳。

针对单一视图特征表示的局限性问题，引入多视图学习理论，通过融合多维度异构特征空间，提升模型的表征能力。一些传统方法借助傅里叶变换或小波变换构建时频域特征视图，然后通过多视图特征融合来提升模型表征能力。例如，刘虹梅等^[9]提出一种多通道视图时频域机制，分别提取时域信号特征和空间分布特征，从而实现多视图特征提取。李兰亭等^[10]则采用短时傅里叶变换对原始脑电信号构建时域与时频域双视图，并结合融合注意力机制的混合神经网络进行特征学习。然而，傅里叶变换的全局频谱分析导致非平稳信号的时序定位信息丢失，而小波变换受限于固定的基函数，且存在时频分辨率的内在矛盾，难以适应信号多样性变化。针对此瓶颈，格拉姆角场(Gramian angular field, GAF)编码技术^[11]展现出独特优势：通过保持信号相位完整性的图像域转换，在避免频域变换局限性的同时，有效捕获时序信号的演化规律与全局特征。值得注意的是，当前多视图融合策略一般采用简单的特征拼接或加权平均，这种粗粒度融合方式忽视了不同域间特征的内在关联性与互补性，进而导致判别性信息的流失。

针对类别不平衡问题，现有方法主要包括数据层面和算法层面两种策略。数据层面通常在预处理阶段采用欠采样或过采样技术平衡类别分布，但可能导致过拟合或信息损失。相对而言，算法层面则通过在原始算法中引入额外机制来调整学习过程，以提高分类器对少数类的识别能力。其中，代价敏感学习是一种常见的算法级方法，通过引入类别权重来提升对少数类的识别能力^[12]，但传统的静态代价分配策略在整个训练过程中保持不变，难以适应特征空间的动态变化，从而可能影响模型的收敛稳定性和精确度。

为解决上述问题，本文提出一种融合多视图表征与动态聚焦代价敏感损失函数的SA检测框架。首先，受文献[8]启发，为充分捕获时间上下文信息，采用1 min、3 min和5 min的相邻ECG节段作为多尺度输入，并利用格拉姆角和场(Gramian angular summation field, GASF)将不同尺度的时域信号转化为相应的图像域空间信号，实现时域信号与图像域空间信号的互补表征。其次，设计了一种双分支混合网络架构，其中时域分支采用双分支自适应门控LSTM(dual-branch adaptive gated LSTM, DBAG-LSTM)提取局部时序特征，而图像域分支则通过引入残差连接的Swin Transformer(Res-Swin Transformer)捕获全局空间关系，以增强对复杂数据模式的建模能力；构建跨域注意力融合模块，引导时域与图像域特征间的交互与动态融合，从而实现判别性信息的自适应选择。最后，引入动态聚焦代价敏感损失函数来缓解类别不平衡问题。

1 方法

本文提出一种基于多视图特征融合与动态聚焦代价敏感损失函数的SA检测方法，其整体框架如图 1所示。首先, 对ECG信号进行预处理，将其分割为1 min、3 min和5 min的片段，并利用GASF将这些片段转换为对应的图像表示，分别使用DBAG-LSTM模块和Res-Swin Transformer模块提取时域和图像域特征。其次，引入跨域注意力融合模块以实现不同视图特征间的信息交互与协同建模。最后，引入动态聚焦代价敏感损失函数，通过动态调整训练权重以最小化错误分类代价，从而提升模型在类别不平衡条件下的检测性能。

1.1 信号预处理 1.1.1 RR间隔及R峰信号提取

ECG信号常受到噪声干扰，为减少噪声影响，使用低通滤波器(截频＜16 Hz)去除高频噪声，同时使用高通滤波器(截频>8 Hz) 抑制低频干扰。

此外，在80 ms的滑动窗口内对信号进行差分运算，再结合滑动平均进行处理，以增强R峰信号，从而更准确地定位QRS波群，并提取R峰幅值及RR间隔。

1.1.2 GASF转换

时域信号仅依赖振幅随时间的变化，容易导致信息丢失。为此，引入GASF编码，将1 min、3 min和5 min的ECG片段映射为图像，既保留原始幅值信息又反映时间依赖性。

对于给定的时间序列$X=\left[x_1, x_2, \cdots, x_n\right]$，首先将其标准化到区间[-1, 1]，表示为$\widetilde{X}$。其次，将标准化后的时间序列$\widetilde{X}$映射到极坐标系中，即

$ \left\{\begin{array}{l} \phi=\arccos \left(\tilde{x}_i\right),-1 \leqslant \tilde{x}_i \leqslant 1, \tilde{x}_i \in \tilde{X} \\ r=\frac{t_i}{L}, t_i \in L, \end{array}\right. $

(1)

其中：φ为极坐标中的角坐标；r为极坐标中的半径；t表示时间特征；极坐标范围通过常数L标准化。最后，通过角度相加来定义任意两时间点的时序关系，得到矩阵G_ij。

原始时间序列可以转化为一个沿对角线对称分布的特征矩阵，该矩阵反映了ECG信号时间序列的相关信息，被称为GASF矩阵，可表示为

$ \boldsymbol{G}_{i j}=\left(\begin{array}{ccc} \cos \left(\phi_1+\phi_1\right) & \cdots & \cos \left(\phi_1+\phi_n\right) \\ \vdots & & \vdots \\ \cos \left(\phi_n+\phi_1\right) & \cdots & \cos \left(\phi_n+\phi_n\right) \end{array}\right) 。$

(2)

1.2 特征提取

为全面提取ECG信号在不同时间尺度的特征，使用DBAG-LSTM模块提取时域特征，并利用Res-Swin Transformer模块提取图像域特征。两个模型的输入均包括1 min、3 min和5 min的ECG信号片段。

1.2.1 一维信号特征提取

为有效提取一维ECG信号中的关键特征，设计了DBAG-LSTM模块，其结构如图 2所示。该模块首先通过双分支CNN架构，利用不同大小的卷积核来捕获多尺度时间步长特征F₁和F₂。其次，利用门控自适应机制融合来自不同分支的特征，并动态调整双分支特征的融合权重，实现特征的自适应选择，即

$ \boldsymbol{F}=a \times \boldsymbol{F}_1+(1-a) \times \boldsymbol{F}_2 。$

(3)

将融合后的特征F输入LSTM模块，基于融合后的特征建模时间方面的长短期依赖关系。

1.2.2 图像信号特征提取

Swin Transformer是一种分层vision Transformer模型，能有效捕获局部和全局特征。为提升模型的训练效率和稳定性，引入了Res-Swin Transformer模块，使用残差卷积替代Swin Transformer中的传统多层感知机，实现更稳定高效的训练。假设输入的图像信号为$Q \in \mathbf{R}^{H \times W \times C}$，将Q划分为若干个不重叠的窗口，然后通过窗口自注意力机制计算每个窗口的特征，即

$ \mathit { Feature }_{\text {window }}=W-\operatorname{MSA}(\operatorname{Linear}(Q))+Q_{\circ} $

(4)

将Feature_window通过线性层输入残差卷积层，在保持自注意力建模能力的同时，增强了对局部特征的提取和细节的捕获，输出可表示为

$ \begin{aligned} & \mathit { Feature }_{\text {Res }}=\mathit{Res}- \text { Conv }\left(\text { Linear }\left(\mathit { Feature }_{\text {window }}\right)\right)+ \\ & \mathit { Feature }_{\text {window }} \circ \end{aligned} $

(5)

然后，将Feature_Res通过跨窗口自注意力捕获相邻窗口间的信息交互，具体步骤可表示为

$ \mathit { Feature }_{\text {global }}=S W-\text { MSA }\left(\mathit { Feature }_{\text {Res }}\right)+\mathit { Feature }_{\text {Res }}, $

(6)

$ \begin{aligned} & \mathit { Feature }=\mathit{Res}- \text { Conv }\left(\text { Linear }\left(\mathit { Feature }_{\text {global }}\right)\right)+ \\ & \mathit { Feature }_{\text {global } \circ} \end{aligned} $

(7)

1.3 基于双向语义引导的跨域融合注意力

为解决时域特征与图像域特征在融合过程中由于语义差异引发的特征稀释问题，提出了一种基于双向语义引导的跨域融合注意力模块。该模块首先将原始时域特征$\boldsymbol{F}_t \in \mathbf{R}^{B \times L_t \times D_t}$ 和图像域特征$\boldsymbol{F}_i \in$ $\mathbf{R}^{B \times L_i \times D_i}$ 投影到统一的$D_k$ 维语义空间，得到对齐后的特征$\boldsymbol{F}_t^{\prime}$ 和$\boldsymbol{F}_i^{\prime}$。其次，通过交叉引导生成增强特征。一方面，计算时域特征$\boldsymbol{F}_t^{\prime}$ 对图像域特征$\boldsymbol{F}_i^{\prime}$ 的注意力权重$\boldsymbol{A}_{t \rightarrow i}$，并利用其对$\boldsymbol{F}_i^{\prime}$ 加权求和，得到图像域引导的时域特征$\boldsymbol{F}_{t \leftarrow i}$，

$ \boldsymbol{A}_{t \rightarrow i}=\operatorname{Softmax}\left(\frac{\boldsymbol{F}_t^{\prime} \boldsymbol{F}_i^{\prime \mathrm{T}}}{\sqrt{D_k}}\right), $

(8)

$ \boldsymbol{F}_{t \leftarrow i}=\boldsymbol{A}_{t \rightarrow i} \boldsymbol{F}_i^{\prime}。$

(9)

另一方面，以类似方式生成时域引导的图像域特征$\boldsymbol{F}_{i \leftarrow t}$。将原始投影特征与被引导后的对应特征通过元素级加法进行融合，得到增强后的时域特征$\boldsymbol{F}_t^{\prime \prime}$和图像域特征$\boldsymbol{F}_i^{\prime \prime}$，具体表示为

$ \boldsymbol{F}_t^{\prime \prime}=\boldsymbol{F}_t^{\prime}+\boldsymbol{F}_{t \leftarrow i}, $

(10)

$ \boldsymbol{F}_i^{\prime \prime}=\boldsymbol{F}_i^{\prime}+\boldsymbol{F}_{i \leftarrow t} \circ $

(11)

对$\boldsymbol{F}_t^{\prime \prime}$ 和$\boldsymbol{F}_i^{\prime \prime}$ 进行特征聚合，其中对$\boldsymbol{F}_t^{\prime \prime}$ 通过平均池化得到向量$\boldsymbol{v}_{\boldsymbol{t}} \in \mathbf{R}^{B \times D_k}$，对$\boldsymbol{F}_i^{\prime \prime}$ 通过全局平均池化得到向量$\boldsymbol{v}_i \in \mathbf{R}^{B \times D_k}$。

通过逐元素乘法和加法对聚合后的向量v_t和v_i进行初步融合，然后应用ECA模块强化关键通道信息，得到最终的融合特征F_fused，可表示为

$ \boldsymbol{F}_{\text {fused }}=\left(\boldsymbol{v}_t+\boldsymbol{v}_i+\boldsymbol{v}_t \odot \boldsymbol{v}_i\right) \odot \operatorname{ECA}\left(\boldsymbol{v}_t+\boldsymbol{v}_i+\boldsymbol{v}_t \odot \boldsymbol{v}_i\right), $

(12)

其中：⊙表示逐元素乘法。

1.4 动态聚焦代价敏感损失函数

为应对SA检测中的类别不平衡问题并增强对难分类样本的关注，设计了动态聚焦代价敏感损失函数，该函数结合了代价敏感学习和焦点损失的思想。首先，根据训练过程中假阳性数量(FP)和假阴性数量(FN)动态调整代价权重β_FP和β_FN，即

$ \beta_{F P}=\beta_{F P}^{(0)} \cdot\left(1+\frac{F P}{F P+F N}\right), $

(13)

$ \beta_{F N}=\beta_{F N}^{(0)} \cdot\left(1+\frac{F N}{F P+F N}\right) \text { 。} $

(14)

其次，引入焦点损失的调制因子$(1-\hat{y})^\gamma$和$(\hat{y})^\gamma$降低易分类样本对总损失的影响。最终的损失函数定义为

$ L=-\left[\beta_{F N} \cdot y \cdot(1-\hat{y})^\gamma \log \hat{y}+\right.\\ \left.\beta_{F P} \cdot(1-y) \cdot(\hat{y})^\gamma \log (1-\hat{y})\right] \text { 。} $

(15)

2 实验与结果分析

所有实验均在64位的Ubuntu 18.04.1 LTS系统中进行，采用基于2.13.1版本的Kera框架，以TensorFlow 2.13.1为后端，在训练过程中利用Tesla V100S-PCIE 32 GB显卡进行加速，并且采用Python3.8编程语言完成代码的编写。

2.1 数据集

使用PhysioNet Apnea-ECG数据集^[13]，其中男性受试者有57人(患有SA的44人)，女性受试者有13人(患有SA的2人)，共包含70个夜间记录(采样率100 Hz)，平均分为训练集和测试集。数据集总时长为34 039 min，其中SA片段占38.28%。

2.2 性能指标

本研究的SA检测分为两个阶段：片段SA检测和个体SA检测。片段SA检测是一个二分类任务，用于预测目标片段是否属于SA。个体SA检测则通过整合片段SA检测结果，对受试者的睡眠质量进行评估，从而判断其是否患有SA。

为评估片段SA检测的性能，采用准确率(Acc)、灵敏度(Sen)、特异性(Spec)、精确率(Prec)和F1分数等指标，具体计算公式为

$ A c c=\frac{T P+T N}{T P+T N+F P+F N}, $

(16)

$ Sen=\frac{T P}{T P+F N}, $

(17)

$ S p e c=\frac{T N}{T N+F P}, $

(18)

$ \text { Prec }=\frac{T P}{T P+F P}, $

(19)

$ F 1=2 \times \frac{Prec × Sen}{Prec+ Sen }, $

(20)

其中：TP表示SA片段被正确检测的数量; TN表示正常片段被正确检测的数量; FP表示正常片段被预测为SA片段的数量; FN表示SA片段被预测为正常片段的数量。

为深入评估本文模型在个体SA检测方面的性能表现，选用呼吸暂停低通气指数(AHI)作为评价指标。依据美国睡眠医学会制定的规则，当个体的AHI值大于5时，即可诊断为患有SA；反之，则判定为正常状态。AHI可表示为

$ A H I=\frac{60}{T} \times N, $

(21)

其中：N为标记为SA片段的1 min ECG段数；T为记录的时长。

2.3 对比实验

对训练好的模型在测试集上进行全面评估，混淆矩阵见图 3。如图 3(a)所示，在片段SA检测中，模型准确率达到91.2%，灵敏度为89.2%，特异性为92.4%，F1分数为92.8%。如图 3(b)所示，在个体SA检测中，模型的准确率、灵敏度和特异性均达到100%，表现卓越。

为评估本文模型的性能，将其在Apnea-ECG数据集上与9种代表性方法(机器学习方法包括HMM-SVM^[14]、SVM^[15]、LS-SVM^[16]，深度学习方法包括1D-CNN^[6]、LeNet-5^[17]、SE-MSCNN^[8]、MSDA-1DCNN^[18]、CNN+Transformer^[19]、CNN+BiLSTM^[20])进行了对比分析，片段SA检测结果见表 1。可以看出，传统机器学习方法因无法自动学习深层特征而性能较差，深度学习方法性能更优。本文提出的模型通过融合多视图信息并引入动态聚焦代价敏感损失函数，在性能指标上取得了显著优势，从而验证了其有效性。

对于个体SA检测，AHI作为评估睡眠质量的一个核心指标，能够反映个体的整夜呼吸问题严重程度。模型首先对整夜记录进行逐片段预测，其次汇总所有片段的预测结果，并依据式(21)计算出该个体的AHI值。最后，将计算出的AHI值与临床阈值进行比较，从而得出对该个体的最终分类诊断结果。在得出分类诊断结果后，将本文模型与5种代表性方法(机器学习方法包括HMM-SVM^[14]、LS-SVM^[16]，深度学习方法包括FSSAE+TDCS^[21]、LeNet-5^[17]、TFFormer^[22])进行对比分析，个体SA检测结果见表 2。可以看出，本文方法在该项任务上的性能优于其他方法，实现了100%的分类表现。

2.4 消融实验

在Apnea-ECG数据集上进行了消融实验，旨在验证所提出模型不同组件的有效性。消融实验主要分为以下两个方面：1)对不同组件进行消融，以验证使用多视图进行SA检测的有效性及引入动态聚焦代价敏感损失函数的必要性。2)对不同视图转换方式进行消融，以验证GASF转换的有效性。

2.4.1 不同组件的消融实验

设计了4个不同的模型变体：M1(仅时域)、M2(仅图像域)、M3(多视图基础模型)和M4(带跨域注意力)。不同组件的消融实验结果见图 4。可以看出，M1、M2性能较差，M3性能整体优于M1和M2，证明了多视图的优势；M4性能整体优于M3，验证了跨域注意力的有效性；本文提出的完整模型(即M4结合动态损失函数)性能最佳，表明动态损失函数能有效缓解类别不平衡问题。

2.4.2 不同视图转换方式的消融实验

为了验证本文GASF转换的有效性，采用3种转换方式(傅里叶变换、小波变换、GASF转换)实现多视图信息的互补。Apnea-ECG数据集上不同转换方式的消融实验结果见图 5。可以看出，与傅里叶变换和小波变换相比，GASF转换显著提升了模型的准确率、灵敏度、特异性和F1分数，表明其在多视图转换中对有效信息的提取具有重要贡献。

2.5 模型敏感性、计算效率与噪声鲁棒性分析 2.5.1 敏感性分析

为了验证所提出的DBAG-LSTM模块采用不同尺度卷积核的双分支结构的有效性以及Res-Swin Transformer中窗口大小的合理性，在保持模型其他组件配置和超参数不变的前提下，仅调整双分支CNN结构的卷积核大小或仅调整窗口大小，敏感性分析结果分别见表 3、表 4。可以看出，“大核+小核”的异构CNN结构和4×4的窗口大小是最佳配置，能有效平衡局部与全局特征的捕获。

2.5.2 计算效率分析

在NVIDIA V100 GPU上测试了各模型的推理时间，结果见表 1。可以看出，相较于同样采用Transformer结构的CNN+Transformer模型，本文模型的参数量更小且检测准确率更高。相比部分轻量级CNN模型，本文模型的参数量略大且推理时间稍长，但其在性能指标上的显著优势表明这一复杂性是合理且必要的。总体而言，本文模型在性能卓越与计算开销可控之间实现了良好平衡。

2.5.3 噪声鲁棒性分析

鉴于ECG信号在实际采集中易受噪声干扰，为评估模型的抗噪声能力，开展了鲁棒性测试。向Apnea-ECG测试集的原始ECG信号中添加不同强度的高斯白噪声，以信噪比(SNR)作为噪声强度标准，生成了包括20 dB、15 dB、10 dB和5 dB等在内的多组测试数据。模型在不同SNR水平下的性能表现如表 5所示。

从表 5可以看出，在20 dB的轻度噪声下，模型性能仅略有下降，F1分数仍保持在92.6%，展现出良好的稳定性。即使在5 dB的强噪声环境下，模型仍能维持89.2%的准确率和91.2%的F1分数，充分证明了模型的鲁棒性，表明其在处理真实含噪ECG信号时具有较高的可靠性和实用价值。

3 结语

本文模型有效解决了SA检测中单视图表征不足、多视图融合不充分和数据不平衡等关键问题。该模型创新性地将ECG信号构建为时域-图像域双视图，并利用DBAG-LSTM与Res-Swin Transformer协同提取特征；通过跨域注意力机制实现深度融合，并引入动态聚焦代价敏感损失函数，成功解决了特征融合与数据不平衡的难题。实验结果表明，本文模型在Apnea-ECG数据集上的片段检测与个体检测的准确率分别高达91.2%和100%，性能显著优于现有方法，其有效性与鲁棒性已通过充分的消融实验来验证。未来，研究将聚焦于融合血氧饱和度等多模态信号，并拓展模型以实现SA严重程度的精确分级，为临床应用提供更深层次的支持。