一个可解释的深度学习模型可以对儿童的睡眠状态进行分阶段,并提出睡眠呼吸暂停中与EEG相关的新型模式

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能在医学中的应用
• 儿科睡眠医学 儿科睡眠医学

背景情况:

• 儿童睡眠评分的自动深度学习模型通常是黑子,阻碍了临床采用.
• 准确的睡眠分期对于诊断儿童阻塞性睡眠呼吸暂停 (OSA) 等疾病至关重要.
• 单通道脑电图 (EEG) 记录提供了一种不那么侵入性的睡眠评估方法.

研究的目的:

• 开发一种准确且可解释的深度学习模型,用于使用单通道EEG对儿童进行睡眠分期.
• 通过解决"黑子"问题,加强自动睡眠评分的临床实施.
• 识别和分析EEG模式,有助于睡眠阶段的分类.

主要方法:

• 利用了来自儿童腺切除术试验 (CHAT) 和临床睡眠数据库的EEG数据.
• 探索了三种深度学习架构,用于从单通道EEG进行自动化睡眠阶段分类.
• 应用梯度加权类激活映射 (Grad-CAM),一个可解释的AI (XAI) 算法,用于模型解释.

主要成果:

• 一个标准的卷积神经网络 (CNN) 在CHAT测试组中实现了最高的性能 (86.9%准确率,0.827五类卡帕).
• 基于CNN的总睡眠时间估计显示与临床数据有很强的一致性 (ICC=0.772).
• Grad-CAM有效地突出了每个睡眠阶段的关键EEG特征,并确定了可能被错误分类的时代.

结论:

• 基于CNN的深度学习模型可以准确地使用儿童的单通道EEG进行自动化睡眠分期.
• XAI方法为模型决策提供了关键的见解,增加了信任和潜在的临床采用.
• 这种可解释的模型有望改善儿科患者的睡眠呼吸暂停诊断和管理.