开发一种深度学习模型,用于在阻塞性睡眠呼吸暂停队列中预测睡眠阶段,使用60 GHz频率调制的连续波雷达
Ji Hyun Lee1, Hyunwoo Nam2, Dong Hyun Kim1
1Department of Radiology, Seoul Metropolitan Government - Seoul National University Boramae Medical Center, Seoul National University College of Medicine, Seoul, Korea.
Journal of sleep research
|September 26, 2023
概括
雷达技术可以准确预测睡眠阶段,为早期发现睡眠障碍提供一种非侵入性方法. 使用带有60 GHz FMCW雷达的Attention Bi-LSTM模型,提高了睡眠阶段分类的准确性.
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:
- 睡眠质量显著影响整体健康.
- 早期发现睡眠障碍对于及时干预至关重要.
- 多人睡眠法 (PSG) 是黄金标准,但可能是侵入性的和昂贵的.
研究的目的:
- 评估雷达技术对非侵入性睡眠阶段分类的有效性.
- 开发和验证一个注意力双LSTM模型,用于使用FMCW雷达预测睡眠阶段.
- 评估使用多个雷达传感器和OSA严重程度对分类性能的影响.
主要方法:
- 利用60 GHz FMCW雷达监测来自阻塞性睡眠呼吸暂停 (OSA) 队列的78名参与者.
- 在夜间睡眠期间同时收集PSG和雷达数据.
- 应用了注意力双-LSTM模型来分类清醒,REM和NREM睡眠阶段.
主要成果:
- 在睡眠阶段分类中获得了85.2%的整体准确率和0.746的科恩卡帕.
- 使用两台雷达 (雷达1和雷达2) 数据的模型表现优于仅使用雷达1的模型.
- 雷达2数据提高了分类准确性,特别是随着OSA严重程度的增加.
结论:
- 雷达技术显示出作为用于睡眠阶段分类的非侵入性和具有成本效益的查工具的巨大潜力.
- 多雷达系统提高了睡眠阶段预测的准确性.
- 这种方法可以促进早期发现和管理睡眠障碍.
