睡眠呼吸暂停低通气综合征是一种发作在睡眠期的疾病,影响着人们的睡眠安全,会诱发高血压、冠心病、心律失常等多种疾病。多导睡眠图是检测睡眠呼吸暂停低通气综合征的金标准,但是在实际应用中过程繁琐、耗时长、价格昂贵,使其不能大范围应用。因此,提出一种简单有效的方法来检测和预测睡眠呼吸暂停低通气事件的发生是很有必要的。本文在研究了现有的睡眠呼吸暂停低通气事件的检测和预测算法之后,提出了一种利用呼吸信号并采用传统方法和深度学习方法来检测和预警呼吸暂停低通气事件的算法,采用MIT-BIH数据库(Apnea Datebase)中8位病人3963个以分钟为单位的样本数据进行处理来验证算法,具体工作包括:1.研究睡眠呼吸暂停低通气事件中呼吸信号的特征,并基于特征向量采用传统分类方法对其进行分类。在对数据进行预处理之后,分别提取其时域特征方差、临床过零点数目,频域特征小波系数、小波能量,和非线性特征分形维数、样本熵构成六维特征向量。采用支持向量机和BP神经网络进行分类,结果显示,两种方法平均准确率为71.2%和84.5%。根据分类结果的特点,进一步提出用形态学滤波的方法对BP神经网络的分类结果进行处理,改善了85%的分类结果,准确率提高到86.3%。2.运用深度学习中的卷积神经网络方法对呼吸信号进行分类。在经典卷积神经网络Alex Net的基础上,根据实际要求,构建了适用于分析呼吸信号的网络。将经过降采样、标准化、分段操作的呼吸信号输入到卷积神经网络中,经测试得到了该方法对睡眠呼吸暂停低通气事件的识别率达到92.12%的结论,表现出了比传统方法更好的性能。3.运用基于Ada Boost的MLP网络对呼吸信号进行预测。在运用线性预测、卡尔曼滤波、BP神经网络分别对正常呼吸信号和睡眠暂停呼吸信号预测之后,提出了基于Ada Boost的MLP网络预测。分别计算几种方法的均方根误差和互相关系数,结果表明本文提出的预测算法效果最好,均方根误差低于0.03,互相关系数高于0.9。上述研究成果为睡眠呼吸暂停低通气事件的分类和预测研究提供了理论基础,为后续睡眠呼吸监测中呼吸暂停的实时预警和主动干预研究奠定了基础。