昇思MindSpore原生论文 | 基于MobileNetV2的家用睡眠呼吸障碍早筛模型

论文标题

MobileNetV2: A lightweight classification model for home-based sleep apnea screening

论文来源

arXiv

论文链接

http://arxiv.org/abs/2412.19967

代码链接

https://github.com/mindspore-lab/models/tree/master/research/arxiv\_papers/Easy-MobileNetV2

昇思MindSpore作为开源的AI框架，为开发人员带来端边云全场景协同、极简开发、极致性能的体验，支持国内高校/科研机构发表1700+篇AI顶会论文。为鼓励基于昇思MindSpore进行原生创新，昇思开源社区转载、解读系列原生arXiv论文，本文为昇思MindSpore AI arXiv论文系列第6篇。

作者：潘慧

感谢各位专家教授与同学的投稿，更多精彩的论文精读文章和开源代码实现请访问Models。更多内容请访问： https://gitee.com/mindspore/community/issues/I9W2Z3

研究背景

睡眠呼吸障碍（Sleep Apnea，简称SA）是一种常见但容易被忽视的健康问题，其特征是在睡眠期间发生呼吸暂停或低通气。未及时诊断和干预的睡眠呼吸障碍可能会导致心血管疾病、代谢紊乱以及其他健康问题，因此，早期筛查至关重要。

目前，睡眠呼吸障碍的检测主要依赖于多导睡眠图（PSG）测试，这是一种复杂且昂贵的检测方法，需要在专业医疗机构中进行。然而，受限于检测成本和设备可及性，许多患者未能获得及时的诊断和治疗。因此，开发一种基于家用设备的高效、低成本筛查方法具有重要意义。

图1 PSG采集信号分析图

本研究基于轻量级深度学习模型MobileNetV2，提出了一种高效的家用睡眠呼吸障碍早筛方案。通过利用家用监测设备采集的数据，结合MindSpore框架进行模型构建和优化，该方法能够以较低的计算资源需求实现对睡眠呼吸障碍的准确预测，为广泛普及和推广提供了技术支持。MobileNetV2是一种经典的轻量级神经网络模型，以其效率和高性能在移动设备上得到广泛应用。其核心特点包括深度可分离卷积（Depthwise Separable Convolution）和倒残差结构（Inverted Residuals）。这些设计大幅减少了模型参数量和计算复杂度，使其成为资源受限环境中的理想选择。

作者介绍

论文第一作者为潘慧，研究方向为生理信号处理、医疗电子， 就读于深圳大学医学部，对MindSpore和PyTorch这两个流行的深度学习框架有丰富的实践经验。

论文第二作者，叶继伦教授，深圳大学医学部生物医学教授，中国医疗器械杂志编委，曾担任中国迈瑞公司的项目研发总监，主要从事生命信息监测及应用、医学仪器设计、医学法规与应用等相关的教学、科研工作。

论文通讯作者，张旭教授，在生命信息监测、信号处理等领域具有较高的学术造诣；在内外发表论文十余篇；相关领域的专利十余项。并主编本领域的标准3部。并获得广东省专利优秀奖

论文简介

0****1

研究目标

本研究的目标是构建一个高效、准确且适用于家用设备的睡眠呼吸障碍筛查模型。通过使用MobileNetV2作为基础网络，结合MindSpore框架的优化能力，实现了在设备资源受限条件下的高性能预测。

02

方法概要

1、数据处理

**数据来源：**三大公共数据库提供的睡眠呼吸障碍数据。

**数据预处理：**通过特征提取和归一化处理，提高模型的输入质量。

**标签定义：**以AHI（呼吸暂停低通气指数）作为主要衡量指标。

图2 数据预处理流程（部分）

2、模型设计

基于MobileNetV2的主干网络，集成了一层全连接分类层。

对MobileNetV2中的关键模块进行了轻量化调整，以适配家用设备的数据特性。

**深度可分离卷积：**分解标准卷积为深度卷积和点卷积，有效降低计算量。

**倒残差结构：**通过线性瓶颈连接，减少冗余特征的传播。

图3 深度可分离卷积图解

图4 模型训练流程

3、模型训练

**框架：**采用华为昇思MindSpore进行模型构建和训练。

**优化器：**使用Adam优化器。

**损失函数：**均方误差（MSE）。

实验结果

为了验证我们模型的性能，我们在睡眠呼吸相关数据集上进行了实验。采用相关性系数和均方误差（MSE）作为主要评价指标。

实验结果表明，该模型在预测AHI值时表现出较高的准确性，其预测曲线与实际曲线的相关性系数达到0.8831，显著优于其他轻量级模型。

图5 四分类和二分类混淆矩阵

图6 预测值和真实值的散点图&相关系数

此外，在资源占用和推理速度方面，基于MindSpore的MobileNetV2模型也展现出明显优势。

总结与展望

本研究提出了一种基于MobileNetV2的家用睡眠呼吸障碍筛查模型，通过在MindSpore框架上的实现，该模型在保证高预测精度的同时大幅降低了计算成本。实验结果验证了该模型在实际应用场景中的潜力。我们的模型在公开数据集上实现了更好的性能，同时保持了更小的模型体积。

MindSpore作为一个新兴的深度学习框架，显示出了其灵活性和易用性，特别是在支持多种硬件平台上。本研究利用了MindSpore的特性来实现和验证提出的模型，发现其提供了强大的工具链和丰富的API集合，有助于快速原型设计和模型迭代MindSpore有潜力成为深度学习框架中的佼佼者之一。

MindSpore提供了丰富的功能和工具，可以帮助开发者们更快地实现自己的想法。社区的活跃也为解决问题和分享经验提供了一个良好的平台。希望更多的开发者能够加入进来，共同推动MindSpore的发展，并创造出更多有意义的应用。