纳入呼吸信号以基于ML的多模式睡眠阶段分类:一个大规模的基准研究,使用动图和HRV

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 机器学习 机器学习

背景情况:

• 睡眠质量差与许多疾病有关,需要精确的睡眠监测.
• 传统的睡眠实验室是昂贵的,并且无法广泛,长期使用.
• 可穿戴式传感器提供了一个可行的替代方案,用于不引人注目的家庭睡眠跟踪.

研究的目的:

• 系统地比较基于动图的睡眠分阶段与多式联络方法.
• 研究将呼吸速率变化 (RRV) 与动图 (ACT) 和心率变化 (HRV) 结合在一起的影响.
• 在大型睡眠数据集上评估机器和深度学习算法的性能.

主要方法:

• 利用了一个公共睡眠数据集,其中有1000多个记录.
• 单独比较动态图 (ACT) 与多式联络方法,包括HRV和RRV.
• 使用ECG衍生呼吸 (EDR) 特性提取呼吸信息,并与呼吸带进行比较.
• 采用最先进的机器和深度学习算法,包括长期短期记忆 (LSTM).

主要成果:

• 整合RRV功能显著提高了睡眠阶段分类准确性 (马修斯相关系数-MCC).
• LSTM算法表现出卓越的性能,在AASM标准睡眠阶段测定中获得0.51的MCC中位数.
• 呼吸系统信息显著提高了警觉和快速眼动 (REM) 睡眠时段的检测.

结论:

• 多模式睡眠监测,特别是包括呼吸数据,提高了睡眠阶段分类的准确性.
• 像LSTM这样的深度学习模型显示了使用可穿戴传感器数据进行强大的睡眠分析的希望.
• 这些发现支持睡眠监测从临床环境过渡到基于家庭的,不引人注目的解决方案.