在临床数据中,自动化深度神经网络与手动睡眠阶段评分的比较
Hanrong Cheng1, Yifei Yang2, Jingshu Shi2
1Department of Sleep Medicine, Institute of Respiratory Diseases, Shenzhen People's Hospital, The Second Clinical Medical College of Jinan University, The First Affiliated Hospital of Southern University of Science and Technology, Shenzhen, 518020, China.
Computers in biology and medicine
|July 19, 2024
概括
一个新的深度神经网络 (卷积神经网络) 在睡眠阶段评分方面显示出比Somnolyzer系统更高的准确性. 这种自动化方法可靠用于睡眠研究分析,遵循美国睡眠医学学会的指导方针.
科学领域:
- 神经学 神经学
- 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:
- 准确的睡眠阶段评分对于诊断睡眠障碍至关重要.
- 当前的自动化系统在准确性和通用性方面存在局限性.
- 美国睡眠医学学会 (AASM) 提供了标准化睡眠评分指南.
研究的目的:
- 为了比较深度神经网络 (CNN) 与菲利普Sleepware G3TM Somnolyzer系统用于睡眠阶段评分的准确性和概括性.
- 用AASM标准评估自动睡眠评分的性能.
主要方法:
- 104名参与者的睡眠记录被CNN,Somnolyzer和人类技术人员分析.
- 性能指标 (准确度,F1,科恩的卡帕) 被计算为不同的睡眠阶段组合.
- 用263名参与者的交叉验证数据集来评估CNN模型的概括性.
主要成果:
- 在CNN模型取得的总体一致性高于Somnolyzer (例如,准确度:81.81%与77.07%).
- CNN模型在识别睡眠过渡,特别是N2阶段和睡眠延迟方面表现出卓越的表现.
- 在REM阶段分析中,Somnolyzer表现出更好的熟练程度,特别是REM延迟.
结论:
- 基于CNN的自动深度神经网络显著超过了Somnolyzer系统.
- 开发的CNN模型对于符合AASM分类标准的睡眠研究分析来说足够准确.
- 使用深度学习的自动睡眠评分为临床睡眠分析提供了一个有希望的替代方案.
