基于图像的标准化多睡眠数据库和深度学习算法用于睡眠阶段分类

科学领域:

• 睡眠的药物 睡眠的药物
• 人工智能的人工智能是人工智能.
• 生物医学数据科学是生物医学数据科学.

背景情况:

• 由于劳动强度,主观性和模两可,多睡眠学 (PSG) 评分具有挑战性.
• 现有的深度学习 (DL) 模型用于自动睡眠评分受到固定输入通道和分辨率要求的限制.
• 来自各种PSG设备和实验室环境的数据异质性使自动分析复杂化.

研究的目的:

• 开发一个标准化的基于图像的数据集,用于多睡眠学 (PSG) 数据.
• 创建和验证基于图像的深度学习 (DL) 模型,用于自动化睡眠分期.
• 在PSG分析中克服原始信号异质性的局限性.

主要方法:

• 将包含原始PSG信号的欧洲数据格式文件转换为标准化图像.
• 开发了一种基于图像的DL模型,用于自动测定睡眠阶段.
• 将基于图像的DL模型与基于信号的模型进行比较,并在外部数据集上进行验证.

主要成果:

• 构建了一个由10253张基于图像的PSG记录组成的数据集.
• 基于图像的DL模型实现了超过80%的准确性,与基于信号的模型相比.
• 在睡眠医学中使用Eigen类激活地图证明了可解释的AI (DL),并取得了良好的外部验证性能.

结论:

• 成功创建了一个基于图像的标准化PSG数据集.
• DL模型显示了对数据采样率或传感器数量变化的稳定性,性能变化很小.
• 这种方法为自动睡眠评分提供了一种灵活且可能更具适应性的解决方案.