数据驱动的睡眠结构破译基于心肺呼吸信号

科学领域:

• 生理信号处理 物理信号处理
• 睡眠科学 睡眠科学
• 机器学习在医疗保健中的应用

背景情况:

• 心肺合 (CPC) 为睡眠结构分析提供了一个新的视角.
• 目前的睡眠分阶段依赖于电脑图 (EEG) 和电眼图 (EOG) 数据,缺乏针对心肺呼吸系统信号的定制标签.
• 对睡眠结构的心肺呼吸信号进行最佳分析需要4-8分钟的段落.

研究的目的:

• 为了适应美国睡眠医学学会 (AASM) 的睡眠阶段标签用于心肺呼吸信号分析.
• 开发和评估一个生理灵感的深度学习模型 (PIDM) 用心肺呼吸数据识别睡眠阶段.
• 评估使用心肺呼吸信号进行准确,独立于EEG的睡眠结构识别的可行性.

主要方法:

• 修改了AASM标签,排除了模两可的N2阶段,专注于觉醒,N1,深度睡眠 (N3) 和快速眼动 (REM) 阶段.
• 开发了一种灵感来自生理学的深度学习模型 (PIDM) 来从心肺呼吸时间序列中提取特征.
• 使用高频 (HF) 与低频 (LF) 的比率和呼吸变异性评估了N2预测的生理有效性.

主要成果:

• 在正常睡眠和睡眠呼吸暂停组中,PIDM模型在睡眠阶段实现了高平衡的准确性得分 (例如,在睡眠呼吸暂停组中,深度睡眠为0.95).
• 后分析证实,大多数分类的N2样本与稳定的非快速眼动 (NREM) 睡眠相对应.
• 生理学标志物 (HF-LF比率,呼吸变异性) 与已知的睡眠阶段理解相一致.

结论:

• 心肺呼吸信号在生理上与准确的睡眠结构识别有关.
• 排除和重新定义N2阶段提高了管道区分关键睡眠阶段的能力.
• 心血管信号为睡眠分析提供了一个强大的,实用的,独立于EEG的替代方案,适合家庭医疗保健.