一个基于EEG的机器学习框架,用于诊断急性睡眠剥夺

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 急性睡眠不足会损害认知功能,增加事故发生的风险.
• 对睡眠不足的客观诊断对于及时干预至关重要.
• 脑电图 (EEG) 提供了一种潜在的非侵入性方法来评估睡眠状态.

研究的目的:

• 使用EEG数据开发和评估机器学习 (ML) 模型,以区分睡眠不足和充分休息的个体.
• 评估各种ML和深度学习模型在检测急性睡眠剥夺方面的表现.
• 调查主体级别分离对模型概括的影响.

主要方法:

• 对71名参与者的61通道静止状态EEG数据的分析.
• 特性提取包括统计,光谱,连接性和图形理论指标.
• 使用嵌套交叉验证进行ML分类器 (LightGBM,XGBoost,RF,SVC) 和深度学习模型 (CNN,LSTM,Transformer) 的培训和评估.
• 对模型的性能进行了评估,并没有对主体级别的分离.

主要成果:

• 在没有对象分离的情况下,卷积神经网络 (CNN) 实现了最高的准确性 (95.72%).
• 随着学科级别的分离,随机森林 (RF) 显示了最高的准确性 (68.23%),表明跨学科概括的挑战.
• 深度学习模型 (变压器,LSTM) 与ML分类器相比,通常表现不佳.

结论:

• 基于EEG的ML显示了客观睡眠剥夺检测的希望.
• 强大的学科级概括是这些诊断工具的一个关键挑战.
• 这些发现支持开发可扩展的,非侵入性的EEG工具来监测睡眠剥夺.