呼吸暂停结束事件预测利用EEG信号和可解释的机器学习

科学领域:

• 神经科学是一个神经科学.
• 睡眠医学 睡眠医学
• 生物医学工程 生物医学工程

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 是一种常见的睡眠障碍,具有重大健康风险.
• 目前的研究主要集中在检测呼吸暂停事件,对终止机制的理解有限.
• 识别终止呼吸暂停发作的因素对于改善治疗策略至关重要.

研究的目的:

• 确定神经生理学标记,区分呼吸暂停事件的终止.
• 确定与呼吸暂停事件停止相关的最有影响力的脑电图 (EEG) 功能.
• 分析呼吸暂停终止期间这些标记物的时间演变.

主要方法:

• 在连续性和终结性呼吸暂停事件期间分析30秒EEG段.
• 从EEG数据中提取频域和复杂性特征.
• 集体机器学习模型的培训和评估,包括额外的树木.
• 使用SHAP可视化进行特征重要性分析.

主要成果:

• 额外树木模型表现出高性能:准确度为0.88,结束呼吸暂停的F1得分为0.87,AUC为0.95.
• 关键的贡献特征包括频段能量,泰格-凯泽能量和信号复杂性.
• 时间分析显示,在呼吸暂停终止期间,有明显的特征演变模式.

结论:

• 皮层激活和过渡性兴奋过程对于结束阻塞性睡眠呼吸暂停事件至关重要.
• 已识别的EEG标志物及其时间动态为呼吸暂停终止机制提供了洞察力.
• 这些发现支持开发用于睡眠呼吸暂停的先进适应性或闭环疗法.