睡眠呼吸暂停是最常见的睡眠障碍之一,其全球患者数量居高不下且与日俱增,患者面临多种心血管疾病,死亡率逐年升高。其诊断多数依赖于专业医生对多导睡眠图(PSG)的判读。需要患者在不同部位佩戴复杂设备并在医院睡眠中心中进行整晚睡眠监测,随后专业医生进行判读,该过程费时耗力,判读质量也因人而异。因此,本文基于生理信号(尤其是心电ECG信号)的睡眠呼吸暂停自动检测研究具有重要的意义,可用于辅助临床诊断以及治疗。本文提出一种一维残差神经网络模型针对心电RR间隔序列实现了分钟级睡眠呼吸暂停自动检测。模型使用一维卷积层对RR间隔序列进行表示,并使用短路连接克服了模型的梯度消失问题,加深网络提高了模型性能。此外,为弥补使用一维卷积神经网络进行生理时间序列分类的解释性理论空白,本文还提出了一种称为动态自回归表示的理论,以解释使用一维卷积层表示ECG信号合理性。然后使用该模型在Physionet公开数据集中进行分钟级呼吸暂停检测,获得了94.7%的准确率,92.5%的灵敏性和96.0%的特异性。提出模型在准确率和特异性上超越了其他现存同类模型。随后本文进行了十折交叉验证实验证,证明了本模型良好的鲁棒性和对于不同信号的适应性。但深入研究发现,该模型对于新患者的检测能力却有明显降低,准确率在70%至80%之间,分析原因为模型对于训练集患者个体的数据分布特征存在过拟合学习。为提高模型面对新患者的检测能力,本文针对睡眠呼吸暂停检测问题提出泛化对抗网络模型。依据领域对抗训练思想,通过梯度反转层技术一定程度上将模型学习的训练数据分布向泛化数据迁移,减轻了模型对于训练数据分布的过拟合学习,提升了模型的临床泛化能力。通过条件损失函数将上述一维残差神经网络改进为半监督学习方法,确保模型泛化集不参与标签损失函数训练。泛化对抗网络在使用相同数据集的患者独立测试实验中表现出良好的临床泛化能力,相较于改进前的模型,取得了6%的准确率提升,8%的特异性提升和10%的F1-score相对提升。此结果证明泛化对抗网络有效地提升了睡眠呼吸暂停检测模型的临床泛化能力。另外,此模型可以通过调整两个超参数(领域损失函数权重、梯度反转层因子)针对性地调整模型的表现,以适应于不同目的的检测(如早期筛查、复检)。