STUDY OBJECTIVE The frequency of cortical arousals is an indicator of sleep quality. Additionally, cortical arousals are used to identify hypopneic events. However, it is inconvenient to record electroencephalogram (EEG) data during home sleep testing. Fortunately, most cortical arousal events are associated with autonomic nervous system activity that could be observed on an electrocardiography (ECG) signal. ECG data have lower noise and are easier to record at home than EEG. In this study, we developed a deep learning-based cortical arousal detection (DeepCAD) algorithm that uses a single-lead ECG to detect arousal during sleep. METHODS This study included 1547 polysomnography records that met study inclusion criteria and were selected from the Multi-Ethnic Study of Atherosclerosis (MESA) database. We developed an end-to-end deep learning model consisting of convolutional neural networks and recurrent neural networks which: (1) accepted varying length physiological data; (2) directly extracted features from the raw ECG signal; (3) captured long-range dependencies in the physiological data; and (4) produced arousal probability in one second resolution. RESULTS We evaluated the model on a test set (n=311). The model achieved a gross area under precision-recall curve score of 0.62 and a gross area under receiver operating characteristic curve score of 0.93. CONCLUSION This study demonstrated the end-to-end deep learning approach with a single-lead ECG has the potential to be used to accurately detect arousals in home sleep tests.

中文翻译：

---

一种基于深度学习的睡眠期间皮层唤醒检测算法

研究目标 皮层觉醒的频率是睡眠质量的一个指标。此外，皮质唤醒用于识别低通气事件。然而，在家庭睡眠测试期间记录脑电图（EEG）数据是不方便的。幸运的是，大多数皮质唤醒事件与自主神经系统活动有关，可以在心电图 (ECG) 信号上观察到。与脑电图相比，心电图数据噪声更低，在家中更容易记录。在这项研究中，我们开发了一种基于深度学习的皮层唤醒检测 (DeepCAD) 算法，该算法使用单导联心电图来检测睡眠期间的唤醒。方法 本研究包括 1547 条符合研究纳入标准的多导睡眠图记录，这些记录选自动脉粥样硬化多种族研究 (MESA) 数据库。我们开发了一个由卷积神经网络和循环神经网络组成的端到端深度学习模型：（1）接受不同长度的生理数据；(2)直接从原始心电信号中提取特征；(3) 捕获生理数据中的长程相关性；(4) 产生一秒分辨率的唤醒概率。结果 我们在测试集 (n=311) 上评估了模型。该模型在精确召回曲线下的总面积为 0.62，在接收者操作特征曲线下的总面积为 0.93。结论 本研究表明，采用单导联心电图的端到端深度学习方法有可能用于准确检测家庭睡眠测试中的觉醒。(1) 接受不同长度的生理数据；(2)直接从原始心电信号中提取特征；(3) 捕获生理数据中的长程相关性；(4) 产生一秒分辨率的唤醒概率。结果 我们在测试集 (n=311) 上评估了模型。该模型在精确召回曲线下的总面积为 0.62，在接收者操作特征曲线下的总面积为 0.93。结论 本研究表明，采用单导联心电图的端到端深度学习方法有可能用于准确检测家庭睡眠测试中的觉醒。(1) 接受不同长度的生理数据；(2)直接从原始心电信号中提取特征；(3) 捕获生理数据中的长程相关性；(4) 产生一秒分辨率的唤醒概率。结果 我们在测试集 (n=311) 上评估了模型。该模型在精确召回曲线下的总面积为 0.62，在接收者操作特征曲线下的总面积为 0.93。结论 本研究表明，采用单导联心电图的端到端深度学习方法有可能用于准确检测家庭睡眠测试中的觉醒。结果 我们在测试集 (n=311) 上评估了模型。该模型在精确召回曲线下的总面积为 0.62，在接收者操作特征曲线下的总面积为 0.93。结论 本研究表明，采用单导联心电图的端到端深度学习方法有可能用于准确检测家庭睡眠测试中的觉醒。结果 我们在测试集 (n=311) 上评估了模型。该模型在精确召回曲线下的总面积为 0.62，在接收者操作特征曲线下的总面积为 0.93。结论 本研究表明，采用单导联心电图的端到端深度学习方法有可能用于准确检测家庭睡眠测试中的觉醒。