睡眠呼吸暂停与低通气综合征（Sleep Apnea Hypopnea Syndrome,SAHS）是一种在睡眠期间普遍发作的、不易被人察觉的慢性睡眠紊乱疾病。该病的主要症状为患者夜间睡眠时因呼吸受阻导致打鼾严重并伴有多次的呼吸表浅或呼吸暂停现象。睡眠多导图（Polysomnography,PSG）是现阶段临床上诊断SAHS的金标准,由于该项检查程序繁杂、成本高昂,因此不能满足大部分患者需求。本文旨在研发一套融合脑电睡眠信息的SAHS离线检测定位与亚型四分类算法实现类似PSG的睡眠呼吸监测与评估,为后续SAHS实时监测和自动辅助通气干预提供数据支持和技术累积。课题组前期基于口鼻气流和血氧双通道SAHS检测预实验结果表明63.71%假阳性错误发生在觉醒期,为兼顾长时间睡眠监测的舒适性,本文选择脑电信号、口鼻气流呼吸信号和腹部位移信号作为研究对象。首先基于C4/A1单通道脑电信号用于SAHS判断的睡眠状态识别,经小波变换等预处理后进行特征提取,输入SVM分类模型完成睡眠状态的识别。结合睡眠状态信息,完成口鼻气流呼吸信号和腹部位移两路信号数据粗筛,即保留睡眠期数据、去除觉醒期数据。经滑动窗数据切割等预处理后,输入长短期记忆-卷积神经网络（Long-Short Term Memory-Convolutional Neural Network,LSTM-CNN）判断是否发病及发病类型的四分类,分类类型包括:正常、低通气事件、阻塞型呼吸暂停事件、中枢和混合型呼吸暂停事件。本文核心算法模块包括:基于C4/A1脑电信号睡眠分期、基于睡眠状态的口鼻气流呼吸与腹部位移信号数据筛选与预处理、LSTM-CNN网络设计与参数辨识、基于时间序列的SAHS检测结果修正策略、睡眠呼吸暂停低通气指数（Sleep Apnea and Hypopnea Index,AHI）计算与结果分析。数据采集自天津市胸科医院,历时11个月共收集126名受试者数据,按照十折交叉验证进行LSTM-CNN模型训练。基于60秒数据片段对SAHS事件四分类的平均准确率为83.94%,和临床诊断结果对比KAPPA系数为0.77;基于AHI指数患病严重程度检测平均正确率、敏感度、特异度、精准度分别达到了90.48%、95.23%、96.43%、96.25%,KAPPA系数达到0.85。本文提出的融合脑电睡眠分期的LSTM-CNN方法实现了SAHS事件的检测及发病类型四分类辨识,并在此基础上完成了AHI指数的计算,为SAHS发病类型和严重性评估提供数据支持。算法具备良好的准确性和鲁棒性,可优化移植至家用正通气呼吸机或PSG工作站系统,为睡眠呼吸管理提供技术支持。