转移学习用于使用预凝电极网的自动睡眠分期
Fabian A Radke1, Carlos F da Silva Souto1, Wiebke Pätzold1
1Fraunhofer Institute for Digital Media Technology IDMT, Oldenburg Branch for Hearing, Speech and Audio Technology HSA, 26129 Oldenburg, Germany.
Diagnostics (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了一种用于自动检测睡眠阶段的新方法,使用来自新家庭监控传感器的有限数据. 通过对现有睡眠数据进行预训练和对新传感器数据进行微调,可以实现准确的睡眠分析,从而推进睡眠医学.
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:
- 家庭睡眠监测的新型传感器解决方案为持续观察和新的见解提供了潜力.
- 来自新传感器的数据的自动评估非常重要,因为它与经典的多睡眠学 (PSG) 有很大差异.
- 来自新传感器技术的有限数据集阻碍了自动算法的训练.
研究的目的:
- 开发一种用于新传感器技术的自动睡眠阶段检测方法,训练数据有限.
- 通过使用预训练和微调来规避高系统特定训练数据要求.
- 为了使新型传感器数据的小型测试系列能够自动检测睡眠阶段.
主要方法:
- 在大型,公开可用的多睡眠学 (PSG) 数据集上接受雇员预培训.
- 从新的传感器技术 (预化电极网) 中对一个小数据集 (12个夜晚) 进行了微调.
- 捕获的脑电图 (EEG),眼电图 (EOG) 和肌电图 (EMG) 数据;分析重点是EEG和EOG.
主要成果:
- 实现了F1总分为0.81的自动睡眠阶段检测.
- 具体的F1分数:醒来时为0.84,N1为0.62,N2为0.81,N3为0.87,REM时间为0.88.
- 考虑空间通道分布和近似的经典电极位置.
结论:
- 预训练和微调能够准确地自动检测睡眠阶段,即使使用来自新传感器的小数据集.
- 开发的方法有效地分析了来自新型家庭睡眠监测技术的数据.
- 这种方法通过可访问和自动化睡眠分析,促进了睡眠医学的进步.
