近红外光谱用于新生儿睡眠分类
Naser Hakimi1, Emad Arasteh1, Maren Zahn2,3
1Department of Neonatology, Wilhelmina Children's Hospital, University Medical Center Utrecht, Lundlaan 6, 3584 EA Utrecht, The Netherlands.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究表明,近红外光谱学 (NIRS) 可以使用深 convolutional 神经网络 (CNN) 准确地分类早产婴儿的睡眠状态,帮助神经发育监测. 这种基于NIRS的方法为新生儿睡眠评估提供了一个便携式解决方案.
科学领域:
- 新生儿神经学和睡眠科学.
- 生物医学工程和信号处理.
背景情况:
- 睡眠状态,主动睡眠 (AS) 和安静睡眠 (QS),对于早产婴儿的大脑发育至关重要.
- 监测新生儿睡眠对于促进神经成熟和福祉至关重要,特别是在高危婴儿中.
- 呼吸率 (RR) 和心率 (HR) 是新生儿睡眠评估系统中的关键指标.
研究的目的:
- 为早产婴儿使用高频近红外光谱 (NIRS) 信号引入全面的睡眠分类方法.
- 评估深度卷积神经网络 (CNN) 模型的性能,用于分类活动睡眠 (AS) 和安静睡眠 (QS) 状态.
- 将CNN模型的有效性与基准机器学习分类器进行比较.
主要方法:
- 在新生儿重症监护室记录了9名早产婴儿的高频NIRS信号 (100Hz).
- 从NIRS信号中提取了8个特征,包括HR,RR,运动参数和神经活动代理.
- 一个深度卷积神经网络 (CNN) 经过训练和验证,使用两种交叉验证方法来分类睡眠状态.
主要成果:
- 在数据汇集交叉验证中,CNN模型实现了高性能指标,包括88%的准确性,94%的平衡准确性,91%的F1得分,95%的卡帕和96%的AUC-ROC.
- 随机森林 (RF) 和XGBoost (XGB) 分类器的准确性与CNN模型相比较.
- 该研究证实了提取基于NIRS的HR和RR的可行性,以有效评估新生儿睡眠状态.
结论:
- 高频NIRS数据,结合提取的HR和RR,为评估新生儿睡眠状态提供了一种可行的方法,即使是在重症监护机构.
- 这种用户友好,便携和不那么复杂的NIRS方法在NICU之外有潜在的应用.
- 这项研究为新生儿睡眠评估提供了有前途的进展,有助于改善婴儿健康和发育结果.
