洞察力SleepNet:可解释和不确定性意识的深度学习网络用于使用连续光电解剖学测试的睡眠阶段

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 信号处理 信号处理

背景情况:

• 解决当前睡眠监测方法的局限性,包括不便和高成本.
• 使用可穿戴设备的连续光电显微镜 (PPG) 信号来监测睡眠.
• 旨在提供一种高效的睡眠分期方法,具有可解释和不确定性意识的预测,以帮助医疗专业人员.

研究的目的:

• 开发和验证InsightSleepNet,一个新的4类睡眠阶段模型.
• 提高睡眠阶段预测的解释性和不确定性估计.
• 为医疗专业人员提供可靠的工具,支持临床决策.

主要方法:

• 开发了一个4类睡眠阶段模型,包括局部注意力,InceptionTime,时间分布密集层,TCN和CNN.
• 通过TCN使用本地关注模块进行时代性PPG数据影响分析.
• 使用能量得分估计用于不确定性量化和选择性预测.

主要成果:

• 在应用能源分数门后,InsightSleepNet在MESA,CFS和CAP数据集中表现得更好.
• 在MESA的精度提高到84.8-86.1%,科恩的卡帕到0.75-0.78,加权F1到0.848-0.861.1.
• 在CFS和CAP数据集上也观察到显著的性能增长,在PPG信号峰值和睡眠阶段分类之间确定了相关性.

结论:

• 洞察SleepNet提供了一个4类睡眠分阶段解决方案,使用连续的PPG数据用于可穿戴设备.
• 该模型提高了睡眠分析的解释性,帮助医疗专业人员进行基于干预的预测和临床决策.
• 为医疗环境提供可靠的第二意见,改善决策过程.