自主监督加速仪数据的学习为睡眠及其与死亡率的关联提供了新的见解
Hang Yuan1,2, Tatiana Plekhanova3, Rosemary Walmsley1,2
1Nuffield Department of Population Health, University of Oxford, Oxford, UK.
NPJ digital medicine
|May 20, 2024
概括
短暂的睡眠时间会增加死亡风险,即使睡眠效率很好. 这项研究验证了基于加速度计的睡眠跟踪,并将睡眠时间与死亡结果联系起来.
科学领域:
- 睡眠科学 睡眠科学
- 生物医学工程 生物医学工程
- 公共卫生 公共卫生
背景情况:
- 准确的睡眠阶段分类对于诊断睡眠障碍和监测幸福感至关重要.
- 目前的非多梦学方法往往依赖于小型研究的启发式.
- 佩戴在手腕上的加速度计为大规模的睡眠监测提供了一个有希望的途径.
研究的目的:
- 用深度学习模型评估手腕加速度计在睡眠阶段分类中的准确性.
- 调查睡眠时间,睡眠效率和全因死亡率之间的关联.
主要方法:
- 开发了一种自主监督的深度神经网络,用于使用并发的多睡眠和加速度计数据进行睡眠阶段分类.
- 在1448个参与者夜间训练了模型.
- 验证了模型的准确性,并将其部署在英国生物银行研究中,其中有66214名参与者.
主要成果:
- 深度学习模型表现出与睡眠阶段分类的多睡眠学相对中等的一致性.
- 短睡 (<6小时) 的人与正常睡 (6-7.9小时) 的人相比,死亡风险更高.
- 无论睡眠效率水平如何,都观察到这种增加的死亡风险.
结论:
- 使用加速度计的基于深度学习的睡眠分类为大型队列提供了多睡眠学的可行替代方案.
- 睡眠时间短暂是一个独立的死亡风险因素.
- 促进充足的睡眠时间对于降低死亡风险至关重要.
