Enfoque de aprendizaje profundo basado en Mamba para la estadificación del sueño en un sistema portátil multimodal...

Área de la Ciencia:

• Inteligencia Artificial
• Ingeniería Biomédica
• Medicina del Sueño

Sus antecedentes:

• La tecnología portátil ofrece un método no intrusivo para recopilar datos fisiológicos relevantes para la estadificación del sueño.
• La polisomnografía (PSG) tradicional requiere equipo especializado y un entorno clínico, lo que limita el análisis generalizado del sueño.
• El desarrollo de algoritmos precisos de estadificación del sueño para sensores portátiles es crucial para la monitorización del sueño remota y accesible.

Objetivo del estudio:

• Evaluar un modelo de aprendizaje profundo basado en Mamba para la estadificación del sueño utilizando datos del sistema portátil ANNE One.
• Evaluar el rendimiento del modelo en diferentes clasificaciones de etapas de sueño (3, 4 y 5 clases).
• Determinar la viabilidad de utilizar datos portátiles sin EEG para el análisis clínico del sueño.

Principales métodos:

• Se recopilaron datos de sensores portátiles (ECG, acelerometría, temperatura, PFG) de 357 adultos simultáneamente con PSG.
• Se entrenó una arquitectura de red neuronal recurrente basada en Mamba con los datos del sensor portátil, utilizando PSG con puntuación manual como verdad fundamental.
• Se aplicaron técnicas de ensamblaje a variantes del modelo para mejorar el rendimiento.

Principales resultados:

• El modelo Mamba ensamblado logró una precisión equilibrada de 3 clases del 84,02 % y una kappa de Cohen del 72,89 %.
• Para la estadificación del sueño de 4 clases, el modelo alcanzó una precisión equilibrada del 75,30 % y una puntuación F1 del 74,10 %.
• El rendimiento varió con clasificaciones de etapas de sueño más granulares, lo que indica un potencial para una mayor refinación del modelo.

Conclusiones:

• El modelo de aprendizaje profundo basado en Mamba infiere eficazmente las etapas principales del sueño del sistema portátil ANNE One.
• Este enfoque proporciona una alternativa viable y sin EEG para la estadificación del sueño en adultos dentro de un entorno de laboratorio de sueño clínico.
• Los hallazgos respaldan la aplicación de esta tecnología portátil y modelo de IA para una monitorización más amplia de la salud del sueño.