睡眠呼吸暂停（SA）是一种常见的与睡眠相关的呼吸障碍，其特征是在睡眠期间气流反复发生完全或不完全停止，可以导致高血压、冠心病、糖尿病和脑血管疾病等并发症，甚至出现夜间猝死。据国际权威期刊《Lancet Respiratory Medicine》报道，全球约有10亿人患有睡眠呼吸暂停疾病，特别是在成年人群中，超过14%的男性和5%的女性患有睡眠呼吸暂停。在临床实践中，多导睡眠图（PSG）是诊断睡眠呼吸暂停的金标准。然而，PSG监测技术复杂、低效、负荷大，且需要经过培训的睡眠医师，无法满足大规模人群对睡眠呼吸暂停检测的迫切需求。因此，如何在医院外实现有效、准确地检测睡眠呼吸暂停仍然是一个巨大挑战。

鉴于心电图信号可以通过便携式设备轻松采集，适用于居家环境监察。深圳技术大学大数据与互联网学院樊小毛助理教授团队，基于单导联心电图信号，首次提出了一种新的用于SA检测的受限注意力融合网络（即RAFNet）。团队利用领域信号信息辅助学习，弥补了目标信号特征表达不足的问题。同时，利用目标信号作为查询向量，提出了一种新的具有级联形态和时间注意力的受限注意机制，可以有效地学习特征信息并通过自适应分配权重重要性来抑制领域信号的冗余特征信息。

在公共数据集（Apnea-ECG）和临床真实采集的数据集（FAH-ECG）上进行的测试验证实验结果表明，RAFNet大大提高了SA检测性能，其信号片段检测准确率高达91.4%（Apnea-ECG）和84.4%（FAH-ECG），整晚信号检测准确率100%（Apnea-ECG）和85.56%（FAH-ECG），均优于目前最先进SA检测基线所获得的结果。

该研究成果是与中山大学附属第一医院雷文斌教授团队合作开展，近日以“RAFNet: Restricted attention fusion network for sleep apnea detection”为题发表在人工智能领域国际权威期刊《Neural Networks》上（2022年影响因子为9.657，中科院1区TOP期刊）。

全文链接：https://www.sciencedirect.com/science/article/pii/S0893608023001454

RAFNet网络架构