在PSG相关的表型化中对无监督机器学习方法进行比较分析
Mohammadreza Ghorvei1,2, Tuomas Karhu1,2, Salla Hietakoste1,2
1Department of Technical Physics, University of Eastern Finland, Kuopio, Finland.
Journal of sleep research
|October 24, 2024
概括
选择集群方法显著影响阻塞性睡眠呼吸暂停 (OSA) 现型. 与其他方法相比,模糊的C-means和K-means在识别OSA集群方面显示出更强的一致性和更好的性能.
科学领域:
- 睡眠医学 睡眠医学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 是一种复杂的睡眠障碍,患者表型多样化.
- 以前的研究使用了集群分析来识别OSA亚型,但方法选择的影响尚不清楚.
- 了解OSA异质性对于个性化治疗策略至关重要.
研究的目的:
- 研究不同集群方法如何影响OSA表型集群的形成和特征.
- 为了比较四种集群方法的性能和协议:聚合层次集群,K-平均,模糊C-平均和高斯混合模型.
- 评估软集群方法对OSA表型的适用性.
主要方法:
- 应用了四种聚类算法 (聚合层次聚类,K-平均,模糊C-平均,GMM) 对865名疑似OSA患者.
- 每种方法生成了五个集群,并分析了生理差异.
- 使用可视化,科恩的kappa统计和性能指标来评估集群相似性和质量.
主要成果:
- 在所有四种方法中都始终确定了两个不同的OSA集群.
- 其他三个星团显示重叠的特征,根据方法有所不同.
- 模糊的C-平均值和K-平均值表现出最高的一致性 (κ=0.87); AHC和GMM显示出最低的一致性 (κ=0.51).
- 总体而言,K-means表现最好,而Fuzzy C-means表现出强的性能和对重叠集群的优越处理.
结论:
- 集群方法的选择极大地影响了OSA集群识别及其生理特征.
- 软集群方法,特别是模糊的C-means,为细微的OSA表型提供了显著的优势.
- 这些发现强调了在OSA亚型研究中考虑算法选择的必要性.
