使用深度学习和转移学习方法,对心率和动图数据进行自动睡眠阶段分类

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 人工智能的人工智能

背景情况:

• 通过多睡眠学手动进行睡眠评分是临床标准,但对大规模或长期研究来说是资源密集和不切实际的.
• 可穿戴设备产生了大量的生理数据,为自动化睡眠分析提供了潜力.
• 深度学习需要大量的注释数据集,这对于长期的流行病学睡眠研究来说很少.

研究的目的:

• 开发一个端到端的时间卷积神经网络,以使用可穿戴设备的RR间隔和动图数据自动分类睡眠阶段.
• 实施转移学习方法,在大型公共数据集上训练模型,并将其应用于较小的,用腕带记录的数据集.
• 评估转移学习对培训时间,睡眠评分准确度和评分员间可靠性的影响.

主要方法:

• 开发了一个端到端的时卷积神经网络 (TCN) 用于睡眠阶段评分.
• 使用心跳RR间隔 (RRI) 和手腕动图数据作为输入.
• 应用转移学习通过在睡眠心脏健康研究 (SHHS) 数据库上训练TCN,并在较小的腕带衍生数据集上进行微调.

主要成果:

• 转移学习显著减少了模型培训时间.
• 在转移学习后,睡眠评分的准确性从68.9%提高到73.8%.
• 通过科恩卡帕测量的评价者间可靠性从0.51增加到0.59.

结论:

• 深度学习与转移学习提供了一种可行的方法,用于从可穿戴设备数据中自动评分睡眠阶段.
• 这种方法提高了效率和准确性,为队列研究中的大规模睡眠调查铺平了道路.
• 虽然目前的表现还没有相当于人类专家,但深度学习和数据可用性的持续进步承诺未来的改进.