相关实验视频
Updated: Jun 17, 2025
07:40
Multi-Modal Home Sleep Monitoring in Older Adults
Published on: January 26, 2019
7.6K
自动远程睡眠监控需要不确定性量化
Elisabeth R M Heremans1, Laura Van den Bulcke2, Nabeel Seedat3
1Department of Electrical Engineering (ESAT), STADIUS Center for Dynamical Systems, Signal Processing and Data Analytics, KU Leuven, Leuven, Belgium.
Journal of sleep research
|August 7, 2024
概括
这项研究介绍了U-PASS,这是一个用于可穿戴睡眠监控的AI管道. 它提高了老年人睡眠阶段的机器学习可靠性,提高了准确性,并超过了人类专家.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 睡眠医学 睡眠医学
背景情况:
- 可穿戴电脑图 (EEG) 为健康监测和睡眠障碍查提供了多睡眠图的实用替代方案.
- 机器学习 (ML) 自动化了睡眠阶段分类,但在临床环境中面临着信任和可靠性挑战.
- 不确定性估计是通过确定预测信心水平来提高ML可靠性的关键.
研究的目的:
- 开发和评估一个以不确定性为中心的ML管道 (U-PASS) 用于使用可穿戴单通道EEG和加速度计数据进行自动睡眠分期.
- 提高基于ML的睡眠分期在老年人群中的可靠性和临床实用性.
- 评估U-PASS系统的性能与人类专家解读和参考多睡眠学相比.
主要方法:
- 实施了以不确定性为中心的ML管道 (U-PASS) 来处理可穿戴的EEG和加速度计数据.
- 将管道应用于来自老年人群的真实世界数据集.
- 量化了模型的不确定性,并使用它来告知临床专家,提高了模型的可靠性.
主要成果:
- U-PASS有效地限制了ML模型的不确定性,并可靠地标记了不确定的预测进行专家审查.
- 通过U-PASS系统,五阶段睡眠评分的准确性从63.9%增加到71.2%.
- 在解释可穿戴数据方面,ML方法的表现优于人类专家,并通过与多睡眠学和呼吸暂停-呼吸暂停指数的相关性证明了临床实用性.
结论:
- U-PASS管道提供了一种有前途的方法,通过可靠的,自动化的睡眠监控来彻底改变远程患者护理.
- 不确定性估计显著提高了ML模型在可穿戴健康应用中的可靠性和准确性.
- 这种自动化系统证明了改善睡眠障碍查和远程患者管理的潜力.
更多相关视频
07:33Noninvasive, High-throughput Determination of Sleep Duration in Rodents
Published on: April 18, 2018
7.8K
04:54Author Spotlight: IntelliSleepScorer — A High-Accuracy, Accessible GUI Software for Automated Sleep Stage Scoring in Mice and its Application in Psychiatric Research
Published on: November 8, 2024
481
