SViT:用于检测REM睡眠行为障碍的光谱视觉变压器
IEEE journal of biomedical and health informatics
|July 4, 2023
概括
一种新型的光谱视觉变压器 (SViT) 有效地检测REM睡眠行为障碍 (RBD) 使用多睡眠学 (PSG) 数据. 这种人工智能方法显示出更快,更准确的RBD诊断的希望,有助于早期检测相关的神经疾病.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 睡眠医学 睡眠医学
背景情况:
- 快速睡眠行为障碍 (REM睡眠行为障碍,简称RBD) 是一种表现为梦想演变和没有的快速睡眠 (RSWA) 的类型的睡眠障碍.
- 手动多睡眠学 (PSG) 对RBD的评分是耗时且主观的.
- 孤立的RBD (iRBD) 是未来帕金森病的重要预测因素.
研究的目的:
- 引入和评估一种新的光谱视觉变压器 (SViT),用于使用PSG信号自动检测RBD.
- 将SViT的性能与传统卷积神经网络 (CNN) 架构进行比较.
- 通过深度学习研究不同PSG通道 (EEG,EMG,EOG) 对于RBD检测的诊断实用性.
主要方法:
- 我们将包括SViT和CNN在内的深度学习模型应用于从PSG数据 (EEG,EMG,EOG) 获得的头图.
- 采用5倍袋装整体方法,对153名RBD患者 (96名iRBD,57名RBD患有PD) 和190名对照患者进行了治疗.
- 模型性能被评估为每个时代和每个患者,SViT解释使用集成梯度.
主要成果:
- 该SViT实现了最佳的每患者表现,F1得分为0.87.
- 在道子集上训练时,SViT使用EEG和EOG数据达到0.93的F1得分.
- 模型解释强调了EEG和EOG的诊断相关性,挑战了传统上对EMG的重视.
结论:
- 与CNN相比,SViT对RBD的患者诊断准确度更高.
- EEG和EOG通道对于基于深度学习的RBD检测至关重要,可能简化诊断过程.
- 这种人工智能驱动的方法为有效和准确的RBD诊断以及早期识别神经退行性疾病风险提供了有希望的途径.


