使用可戴在子上的压电传感器和深度学习来区分严重的睡眠呼吸暂停和习惯性打:一项试点研究
Yi-Ping Chao1, Hai-Hua Chuang2, Zong-Han Lee3
1Department of Computer Science and Information Engineering, Chang Gung University, 33302, Taoyuan, Taiwan; Department of Otorhinolaryngology, Head and Neck Surgery, Sleep Center, Linkou Medical Center, Chang Gung Memorial Hospital, Chang Gung University, 33305 Taoyuan, Taiwan.
Computers in biology and medicine
|March 27, 2025
概括
使用部传感器的新型深度学习模型可以准确地检测出从打引起的严重睡眠呼吸暂停综合征 (SAS). 这项技术有助于在成年人中早期诊断和管理SAS.
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
- 睡眠医学 睡眠医学
背景情况:
- 睡眠呼吸暂停综合征 (SAS) 在成年人中经常被诊断不足,导致治疗延迟.
- 区分严重的SAS和习惯性打对于适当的患者管理至关重要.
- 当前的诊断方法可能资源密集,可能不适合广泛的查.
研究的目的:
- 开发和验证一个深度学习模型,以准确区分严重的SAS和习惯性打.
- 为了评估一个可戴在子上的压电传感器与混合深度学习模型相结合的SAS检测的有效性.
- 提供一个潜在的工具,用于早期和精确识别严重的SAS.
主要方法:
- 一个混合深度学习模型 (1D CNN-GRU) 是使用子可穿戴的压电传感器数据开发的.
- 传感器记录了成年习惯性打者进行多睡眠记录的打振动和动脉脉动.
- 评估了用于检测打和严重SAS分类的模型性能,包括睡眠阶段分析.
主要成果:
- 深度学习模型实现了高探测率 (0.86-0.92).
- 严重的SAS分类准确性达到0.90部分睡眠时间,不包括第一个睡眠阶段.
- 该模型表现出极好的性能,精度为0.84,召回1.00,严重SAS的F1得分为0.91.
结论:
- 结合混合深度学习模型和可戴在子上的压电传感器,为区分严重的SAS和习惯性打提供了一个有希望的方法.
- 这项技术可以帮助早期诊断,并指导睡眠呼吸暂停的进一步诊断评估.
- 建议在现实环境中对更大,更多样化的群体进行进一步验证,以提高强度.
