深度学习用于儿科睡眠分期从光电心电学:从成人到儿童的转移学习方法
IEEE transactions on bio-medical engineering
|September 27, 2024
概括
这项研究开发了一种深度学习模型,用于使用光斑血图 (PPG) 数据对儿童进行自动化睡眠分期. 从成年人数据转移学习显著改善了性能,在儿科睡眠分析中取得了最先进的结果.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 儿科睡眠医学 儿科睡眠医学
背景情况:
- 自动睡眠分期对于诊断睡眠障碍至关重要,但传统方法耗时.
- 摄像力发电图 (PPG) 时间序列为自动睡眠分阶段提供了一个有希望的途径.
- 儿童腺切除试验 (CHAT) 等有限的儿科数据集阻碍了对儿童的算法开发和概括评估.
研究的目的:
- 开发和评估一个深度学习模型,用PPG数据对儿童进行三类睡眠阶段 (清醒,REM,非REM) 的评估.
- 评估从成人睡眠记录到儿科数据的转移学习的有效性.
- 在独立的数据集和不同年龄组中评估算法的概括性能.
主要方法:
- 在成年人PPG睡眠记录上预训练的深度学习模型在CHAT数据集 (CHAT-train) 上进行了微调.
- 微调模型的性能与从零开始在CHAT-train上训练的模型进行了比较.
- 在本地测试集 (CHAT-test) 和独立的外部数据集 (Ichilov) 上评估了算法性能.
主要成果:
- 转移学习模型在CHAT测试中获得了0.88的Cohen's Kappa,明显超过了基准值 (0.65).
- 该算法展示了概括能力,在伊奇洛夫数据集中,在5岁以上的儿童中达到0.72的卡帕值,在5岁以下的儿童中达到0.64的卡帕值.
- 在5岁以下的儿童中,表现显著下降.
结论:
- 这项研究为使用原始PPG的儿科睡眠分期建立了一个新的最先进的技术,突出了从成年人转移学习的有效性.
- 这些发现证实了利用成年人数据开发儿科睡眠分期算法的价值.
- 需要对更广泛的儿科年龄范围和更大的数据集进行进一步的研究,以克服概括的局限性,特别是在年幼的儿童中.
