最先进的睡眠唤醒检测在全面的临床数据集上进行了评估
Franz Ehrlich1,2, Tony Sehr3, Moritz Brandt3
1Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden, Germany. franz.ehrlich@tu-dresden.de.
Scientific reports
|July 14, 2024
概括
这项研究表明,在临床睡眠数据上训练的机器学习模型可以实现准确的自动唤醒检测. 在当地医院数据上训练的模型比在公共数据集上训练的模型表现更好,支持临床数据的使用.
科学领域:
- 睡眠医学 睡眠医学
- 人工智能的人工智能
- 生物医学信号处理
背景情况:
- 自动唤醒检测对于睡眠实验室至关重要.
- 现有的方法可能不会在不同的临床数据上发挥最佳作用.
- 评估现实世界临床数据的最新方法是必要的.
研究的目的:
- 评估一个优化,最先进的机器学习方法,用于自动唤醒检测.
- 用临床数据训练的模型与公开可用的数据集进行比较.
- 评估兴奋检测模型的临床相关性和潜在偏差.
主要方法:
- 一个U-net架构的机器学习模型被训练并对3423个多睡眠图进行了评估.
- 模型使用来自大学医院睡眠实验室的50 Hz信号输入进行训练.
- 使用基于预测兴奋指数错误,AUPRC和F1分数的指标来比较性能.
主要成果:
- 在临床数据上训练的模型获得了高达0.83的AUPRC和高达0.81.81的F1分数.
- 在临床数据上训练的模型没有显著的年龄,性别或睡眠障碍相关的绩效偏差.
- 公开训练的模型显示,睡眠障碍对表现有负面影响.
结论:
- 最先进的自动唤醒检测是可行的,使用临床数据的U-net模型架构.
- 建议在本地临床数据集上训练机器学习模型,以便在睡眠实验室中获得最佳性能.
- 这些发现支持在特定临床群体上训练的模型的概括性和可靠性.
