使用基于深度学习的频率分析进行死亡风险评估,用于睡眠中的脑电图和脑电图
Teitur Óli Kristjánsson1,2,3, Katie L Stone4,5, Helge B D Sorensen1
1Department of Health Technology, Technical University of Denmark, Kongens Lyngby, Denmark.
Sleep
|September 20, 2024
概括
睡眠电脑图 (EEG) 和电眼图 (EOG) 在多睡眠图 (PSG) 期间的光谱功率可以预测死亡风险. 跨睡眠阶段的特定EEG和EOG频率与全因死亡率有关,这表明睡眠微观结构是健康预测因素.
科学领域:
- 神经科学是一个神经科学.
- 睡眠医学 睡眠医学
- 生物统计学 生物统计学
背景情况:
- 夜间多睡眠学 (PSG) 在睡眠期间记录脑电图 (EEG) 和眼电图 (EOG) 信号.
- 这些信号的光谱功率与全因死亡率之间的关系尚未完全理解.
- 研究睡眠微观结构可能会揭示新的健康和死亡率预测因素.
研究的目的:
- 确定PSG期间的EEG和EOG频率含量是否可以预测所有原因的死亡率.
- 为了确定与死亡风险相关的特定频段和睡眠阶段.
主要方法:
- 基于深度学习的生存模型应用于来自8716名参与者的PSG功率光谱 (MrOS睡眠研究和睡眠心脏健康研究).
- 用SHapley添加式解释 (SHAP) 来定义睡眠阶段特定的功率带.
- 考克斯比例危险模型评估了这些频段对死亡率的预测性能.
主要成果:
- 在对共变量进行调整后,所有睡眠阶段的多重EEG频段是所有原因死亡率的显著预测指标.
- 特定的EEG频段显示死亡风险降低 (例如,N2中的12-15 Hz,N3中的0.75-1.5 Hz,REM睡眠中的14.75-33.5 Hz).
- 某些EOG低频带与死亡风险增加有关 (例如,N3中的0.25 Hz,N1中的0.75 Hz,后续的1.25-1.75 Hz).
结论:
- 睡眠期间EEG和EOG的光谱功率特征与死亡风险有关.
- 这些发现表明,通过光谱分析捕获的睡眠微观结构包含了关于个体健康和寿命的宝贵信息.
- 睡眠分析有潜力识别死亡风险较高的个体.
