使用多式可穿戴传感器和机器学习来检测睡眠中的皮层唤醒

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:

• 皮层唤醒会扰乱睡眠的连续性,导致各种健康障碍.
• 激发检测的标准 - - 聚睡眠学,对于广泛使用而言,是昂贵而复杂的.
• 可穿戴技术为可访问的睡眠监测提供了一个潜在的解决方案.

研究的目的:

• 开发和验证一种基于机器学习的非侵入性框架,用于使用可穿戴生理信号检测皮质激发.
• 评估框架在患有注意力缺陷/多动症障碍 (ADHD) 和睡眠问题的儿科队列中的表现.

主要方法:

• 使用了RestEazeTM系统,这是一个穿着腿部的可穿戴记录加速计,陀螺仪,光极光学 (PPG) 和温度.
• 应用机器学习分类器包括后勤回归,XGBoost和随机森林.
• 使用ROC AUC,精度,回忆和F1分数等指标评估模型性能.

主要成果:

• 运动强度特征对唤醒检测最有效,超过了心率变化.
• 随机森林模型表现出卓越的性能,ROC AUC为0.94.
• 对于唤醒类,随机森林模型的精度为0.57,回忆率为0.78,F1得分为0.65.

结论:

• 基于可穿戴设备的机器学习是可行的,用于现实世界的皮质兴奋检测.
• 开发的框架显示了监测儿童群体睡眠障碍的前景,特别是患有多动症的儿童群体.
• 这种方法为长期睡眠研究提供了比传统的多睡眠学更容易获得的替代方案.