走向使用深度学习的自动家庭睡眠呼吸暂停估计

科学领域:

• 睡眠医学 睡眠医学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 睡眠障碍如呼吸暂停和呼吸暂停涉及呼吸道阻塞,影响健康.
• 多睡眠学 (PSG) 是通过呼吸暂停指数 (AHI) 诊断睡眠暂停严重性的标准,但对于长期监测来说是昂贵和不舒服的.
• 早期发现和治疗睡眠呼吸暂停对于减少发病率和死亡率至关重要.

研究的目的:

• 推出DRIVEN,一种用于估计AHI和在家中使用可穿戴传感器检测睡眠事件 (呼吸暂停,呼吸暂停,清醒) 的新方法.
• 为长期睡眠呼吸暂停监测提供一种舒适且具有成本效益的替代传统PSG.
• 通过可访问的家庭测量来帮助医生诊断睡眠呼吸暂停的严重程度.

主要方法:

• 利用深层卷积神经网络和光梯度增强机器的组合进行分类.
• 采用了来自三个大型睡眠研究的公开数据,包括14370个记录.
• 从可穿戴传感器测量腹部运动,胸部运动或脉冲氧计的集成数据.

主要成果:

• 通过仅使用两个传感器,DRIVEN实现了72.4%的正确分类,将患者分为四个AHI严重程度等级.
• 99.3%的患者被正确分类或放置在其真正的AHI严重程度的一个类别内.
• 在诊断性能和患者舒适度之间表现出良好的平衡.

结论:

• 驱动提供了一个可行的解决方案,用于无监督的长期家庭监测睡眠呼吸暂停.
• 该方法有可能显著降低与睡眠研究相关的医疗保健成本.
• 实施DRIVEN可以改善患者护理和更早地对睡眠呼吸障碍进行干预.