通过长期短期记忆深度学习算法预测儿童的睡眠和睡眠阶段,使用动图和心率:一种绩效评估算法

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的机器学习
• 儿科睡眠医学 儿科睡眠医学

背景情况:

• 传统的动图算法在准确检测清醒和预测儿童睡眠阶段方面存在局限性.
• 消费者可穿戴设备提供了一个比实验室多睡眠监测更容易使用的睡眠监测方法.

研究的目的:

• 为了评估长期短期记忆 (LSTM) 算法的睡眠估计与儿童的多睡眠学 (PSG) 的一致性.
• 通过使用研究级和消费者可穿戴设备的动图和心率 (HR) 数据来评估LSTM的性能.

主要方法:

• 利用238名儿童 (5-12岁) 的动图和HR数据的长期短期记忆 (LSTM),逻辑回归和随机森林模型.
• 将LSTM的睡眠/清醒和睡眠阶段预测与使用10倍交叉验证的标准多睡眠学 (PSG) 相比较.
• 使用灵敏度,特异性和准确度指标评估性能.

主要成果:

• LSTM显著优于传统方法,在睡眠/清醒分类方面达到94.1-95.1%的准确性.
• 与较旧的算法相比,LSTM表现出高灵敏度 (94.9-95.9%) 和提高的特异性 (84.5-89.6%).
• 结合心率数据提高了睡眠阶段预测,但没有改善二元睡眠/清醒检测.

结论:

• 在儿童群体中,LSTM显示出使用动图学数据准确预测睡眠和睡眠阶段的显著前景.
• 集成心率数据有潜力改进睡眠阶段预测的准确性.
• 这种方法可以提高可穿戴设备用于儿科睡眠评估的实用性.