通过使用机器学习算法进行心率变化分析来检测睡眠和清醒状态的衍生方法
Fabrice Vaussenat1, Abhiroop Bhattacharya1, Philippe Boudreau2
1Department of Electrical Engineering, École de Technologie Supérieure, Université du Québec, Montréal, QC H3C 1K3, Canada.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究提出了一种简单,便携式的方法来预测睡眠状态. 使用心率变化,特别是RR间隔,可以准确地区分健康成年人的清醒和小睡期间.
科学领域:
- 心脏病学 心脏病学
- 神经学 神经学
- 睡眠医学 睡眠医学
背景情况:
- 睡眠障碍对健康有显著的短期和长期后果,包括注意力缺陷和心脏问题.
- 多睡眠学 (PSG) 是一种常见的睡眠评估工具,但由于众多的电缆而具有侵入性,通常需要临床设置,可能会影响准确性.
- 通过便携式设备评估中枢神经系统 (CNS) 为睡眠障碍评估提供了一个更简单的替代方案.
研究的目的:
- 开发和验证一种轻量级特征分类模型,用于预测清醒和小睡状态.
- 调查使用RR间隔 (RRI) 和其第二导数用于睡眠状态预测的有效性.
- 为了确定一个短的RRI时间序列窗口是否足以准确分类睡眠状态.
主要方法:
- 实施了利用RR区间 (RRI) 和其第二个导数的特征分类模型.
- 经过训练和验证,该模型使用了来自9名健康年轻成年人的心率变化 (HRV) 数据.
- 分析了与开灯,关灯,入睡和睡眠抵消事件相关的HRV数据.
主要成果:
- 一个30分钟的RRI时间序列窗口被发现是足够的模型.
- 轻量级模型准确地预测了受试者是否清醒或午睡.
- 该方法表明了对非侵入性睡眠状态评估的潜力.
结论:
- 使用RRI的简单,便携式模型可以准确地预测清醒和小睡状态.
- 这种方法提供了一个不那么侵入性的替代传统的多睡眠学 (PSG).
- 进一步的研究可以探索这种方法用于更广泛的睡眠障碍诊断.
关键词:
这就是为什么物联网物联网物联网.在RR间隔的RR间隔.中枢神经系统中枢神经系统深度学习是一种深度学习.衍生方法是一种衍生方法.嵌入式医疗器械 嵌入式医疗器械心率变化的心率变化.聚类人体图像 (polysomnography) 是一种多人体图像.睡眠障碍 睡眠障碍 睡眠障碍睡眠醒检测检测 睡眠醒检测更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
1.8K
08:12Calculating Heart Rate Variability from ECG Data from Youth with Cerebral Palsy During Active Video Game Sessions
Published on: June 5, 2019
19.8K
