最佳的脑电图和眼电图信号组合用于基于深度学习的睡眠分期

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学

背景情况:

• 通过多睡眠学 (PSG) 手动测定睡眠阶段是耗时且容易出现错误的.
• 深度学习模型显示,使用较少信号实现自动化睡眠分阶段的有望性.
• 为了准确的自动睡眠分期,最佳的信号组合需要进一步研究.

研究的目的:

• 确定最佳的脑电图 (EEG) 和眼电图 (EOG) 信号组合,用于基于深度学习的自动睡眠分阶段.
• 测试各种EEG信号组合在自动睡眠分期中产生可比性能的假设.
• 为了确定简化测量设置是否可以实现准确的自动睡眠分阶段.

主要方法:

• 利用了四个EEG信号和一个EOG信号,来自876名怀疑有阻塞性睡眠呼吸暂停的受试者.
• 训练了31个深度学习模型,使用不同组合的EEG和EOG信号.
• 评估了自动睡眠分阶段的分类性能与五个睡眠阶段的手动评分.

主要成果:

• EEG信号组合之间的分类性能差异很小,精度在81%到85%之间.
• 结合EOG信号,在单个EEG配置中,精度提高了1-2%.
• 当将EOG与多个EEG信号相结合时,观察到最小的精度增长.

结论:

• 通过简化EEG和EOG测量设置,可以实现自动化睡眠分阶段.
• 信号组合的选择不会显著地影响分类性能.
• 这一发现支持开发更有效的睡眠分阶段系统.