机器学习算法的全面评估,用于预测睡眠-清醒条件,并根据心率变化来区分怀孕期间睡眠前和睡眠后的清醒条件

科学领域:

• 生理学 生理学 生理学
• 机器学习 机器学习
• 睡眠科学 睡眠科学

背景情况:

• 周产期妇女经历睡眠障碍和自主变化.
• 心率变化 (HRV) 反映了自主神经系统的活动.
• 准确的睡眠和清醒预测对于怀孕期间的母亲健康至关重要.

研究的目的:

• 开发一种机器学习算法,用于在孕妇中高精度的睡眠和清醒预测.
• 为了区分睡眠前和睡眠后的觉醒状态,使用HRV.
• 为了确定预测怀孕特定睡眠模式的HRV关键指标.

主要方法:

• 在一周内从154名孕妇 (怀孕23-32周) 收集HRV数据和睡眠-清醒条件.
• 应用了10个机器学习和3个深度学习模型来预测三种 (清醒,浅睡眠,深睡眠) 和四种 (包括睡眠前/睡眠后清醒区分) 条件.
• 利用九个HRV指标作为预测功能.

主要成果:

• 大多数算法在三个睡眠-清醒条件下实现了高精度 (0.78-0.81) 和AUC (0.82-0.88).
• 门式循环单位模型成功预测了四种条件,AUC为0.86,准确度为0.79.
• NN50和pNN50是预测怀孕特定睡眠和清醒状态的关键HRV特征.

结论:

• 机器学习有效地预测使用HRV的孕妇的睡眠和清醒条件.
• 特定的HRV指标 (NN50,pNN50) 突出显示与怀孕相关的自主性变化.
• 研究结果表明,怀孕期间阴道系统发生了独特的变化.