从头皮到耳部EEG:一个可泛化的转移学习模型,用于老年人自动睡眠评分

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 睡眠医学 睡眠医学

背景情况:

• 头皮脑电图 (EEG) 是睡眠监测的标准,拥有丰富的数据和成熟的模型.
• 耳部EEG等新兴方法缺乏广泛的数据集和预先训练的睡眠分析模型.
• 老年人,一个经常经历睡眠障碍的人群,在当前的耳朵EEG研究中代表性不足.

研究的目的:

• 研究从头皮EEG模型转移学习到用于睡眠分析的耳朵EEG的有效性.
• 为了评估微调模型在老年成人队列上的表现.
• 探索基于特征的转移学习,使用LightGBM用于耳部EEG数据.

主要方法:

• 利用预先训练的头皮EEG模型并将其应用于17名老年人 (65-83岁) 的耳部EEG数据.
• 使用LightGBM进行转移学习,比较直接应用与使用耳部EEG数据进行微调.
• 分析了睡眠阶段的分类准确性和特征重要性转移 (SHAP值).

主要成果:

• 耳部EEG预训练模型的初始精度为70.1%;微调改进精度提高到73.7%.
• 在13名参与者中,微调导致10名参与者在统计学上显著地提高了准确性 (p <0.05).
• 增强平均科恩卡帕得分为0.639,表明自动化和专家睡眠阶段分类之间的一致性更强.

结论:

• 在耳部EEG数据上微调预训练的头皮EEG模型是提高睡眠分类准确性的可行策略.
• 这种方法对使用基于特征的转移学习分析老年人群的睡眠特别有希望.
• 该研究强调了跨不同人群转移学习的适应性,以及用于耳部EEG分析的计算方法.