睡眠呼吸暂停(Sleep Apnea)是一种常见睡眠呼吸疾病,以阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea,OSA)为主,主要表现为呼吸气流较正常值下降明显或直接停止,促使人们从正常的睡眠觉醒,严重影响人们的睡眠质量。同时,睡眠呼吸暂停也是很多慢性病如高血压和糖尿病的重要原因。临床上通常使用多导睡眠仪(Polysomnography)对睡眠呼吸暂停进行诊断,但其因检测费用高昂和检测过程不舒适等原因,并没有被广泛地应用,使得依然存在超过85%的睡眠呼吸暂停患者没有得到及时的诊断和医治。所以,有很多基于单通道信号的OSA检测方法被提出,其中心电信号(Electrocardiograph,ECG)因与睡眠呼吸暂停高度关联且采用非侵入方式采集,是被使用最多的单通道信号。但现有的方法在高噪声ECG数据和大数据集上的OSA检测效果较差。所以本文主要研究在高噪声ECG和大数据集上自动检测OSA的方法,旨在提升整体的OSA检测准确率。首先,为了减少ECG信号噪声对OSA检测结果的影响,本文从ECG信号中提取多个由离散点组成的浅层特征信号作为数据基础,仅要求ECG能够检测出R峰,对ECG信号噪声有较高的容忍度。其次,为了解决浅层特征信号表示能力不足的问题,本文提出三种针对浅层特征信号的处理方法,一是通过对每个浅层信号进行波形放大突出信号的变化,二是对每个浅层信号进行一维卷积提取多个卷积特征信号增加特征信号数量,三是融合多个卷积特征信号作为输入特征以弥补每个浅层特征信号仅能反映ECG信号单方面变化的问题。最后,因长短期记忆循环神经网络拥有良好的长时特征记忆能力和泛化能力,本文长短期记忆循环神经网络学习经过融合的卷积特征信号和分类OSA片段,提高本文方法在大数据集上的OSA检测准确率。实验结果表明本文采用的算法在高噪声ECG数据和大数据集上具有较好的OSA检测效果。