域对抗卷积神经网络 提高可穿戴睡眠评估技术的准确性和通用性

科学领域:

• 生物医学工程 生物医学工程
• 睡眠科学 睡眠科学
• 人工智能的人工智能

背景情况:

• 穿戴式加速度计在研究和临床实践中对家庭睡眠监测至关重要.
• 现有的基于加速仪的睡眠分析算法在准确性和通用性方面存在局限性.
• 改善睡眠评估工具对于理解和管理睡眠障碍至关重要.

研究的目的:

• 评估深度学习领域对抗卷积神经网络 (DACNN) 模型的睡眠-清醒分类和使用手腕穿戴加速度计的结果估计.
• 为了比较DACNN模型的性能与已建立的睡眠算法.
• 评估DACNN模型在不同可穿戴设备和活动计数数据集中的通用性.

主要方法:

• 应用深度学习领域对抗卷积神经网络 (DACNN) 模型到手腕穿戴的加速度计数据.
• 睡眠-清醒状态的分类和睡眠结果的估计.
• 在不同可穿戴设备的独立数据集上对模型的验证.

主要成果:

• 与现有的睡眠算法相比,DACNN模型在分类睡眠-清醒和估计睡眠结果方面表现优越.
• 获得了80.1%的准确性,具有84%的灵敏度和58%的特异性,对新数据集进行了很好的概括.
• 与Cole-Kripke,Sadeh和z-angle算法相比,在睡眠开始后醒来 (WASO) 和睡眠效率估计中的错误明显减少.

结论:

• 深度学习的DACNN模型提高了从手腕加速度计数据的睡眠-清醒分类的准确性和特异性.
• 基于加速器的睡眠监测仍然是睡眠评估的有价值,具有成本效益和用户友好的方法.
• DACNN模型代表了对现实生活睡眠结果评估的可扩展和有效的进步.