相关实验视频
Updated: Jul 13, 2026
08:45
Polygraphic Recording Procedure for Measuring Sleep in Mice
Published on: January 25, 2016
23.5K
在睡眠呼吸暂停的诊断中,深度学习增强了通过膜的电肌学
Ross Mandeville1,2, Hooman Sedghamiz1, Perry Mansfield1
1Powell Mansfield, Inc., San Diego, CA, USA.
BMC neuroscience
|December 31, 2024
概括
使用跨膜电肌图 (tmEMG) 的新型深度学习模型显示出对诊断阻塞性睡眠呼吸暂停 (OSA) 的承诺. 这种人工智能方法可以克服传统睡眠研究的局限性,以确定OSA的神经肌肉原因.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 阻塞性睡眠呼吸暂停 (OSA) 影响全球数以百万计的人,但诊断受到昂贵和不方便的实验室睡眠研究的阻碍.
- 跨膜电肌图 (tmEMG) 是一种无痛的表面探针,为评估上呼吸道神经肌肉功能提供了潜在的替代方案.
- 解释tmEMG信号用于睡眠呼吸暂停诊断是具有挑战性的,因为信号的复杂性和有限的专业知识.
研究的目的:
- 开发和验证使用变压器分析tmEMG数据的深度学习 (DL) 模型,用于诊断阻塞性睡眠呼吸暂停 (OSA).
- 评估模型在对照组,神经性损伤和OSA患者组之间区分的能力.
- 探索基于DL的tmEMG分析的潜力,用于识别与神经肌肉病理相关的OSA内型.
主要方法:
- 采用基于变压器的DL架构,特别是音频频谱变压器 (AST),用于tmEMG信号分析.
- 利用转移学习,模拟EMG数据和规范化技术,在有限的数据集上训练一个可概括的模型.
- 在177个健康对照组,OSA患者和肌缩侧硬化症 (ALS) 患者的横口tmEMG记录上测试了该模型.
主要成果:
- 在对照组中分类神经性病例时,DL模型实现了高灵敏度 (98%) 和特异性 (73%).
- 从对照组对OSA患者进行分类,结果显示88%的灵敏度和64%的特异性.
- 预测概率的平均值使该模型能够正确分类高达82%的对照和OSA患者,这表明性能强.
结论:
- 分析tmEMG信号的深度学习模型显示,对准确的OSA诊断有很大的潜力.
- 这种方法可能能够识别与神经肌肉功能障碍相关的特定OSA内型.
- 这些发现表明,一种可行的,不那么侵袭的诊断工具,有助于改善临床管理和患者的治疗结果.
