一个基于波形和机器学习的框架,用于自动检测电子肌谱REM睡眠中的文物
概括
这项研究引入了一种机器学习 (ML) 框架,可以在REM睡眠期间自动检测和删除电肌图 (EMG) 信号中的工件,从而改善快速眼动睡眠没有阿托尼亚 (RWA) 评分的准确性.
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:
- 在诊断REM睡眠行为障碍 (RBD) 时,快速眼动睡眠无 (RWA) 是至关重要的.
- 目前的RWA评分依赖于对电肌图 (EMG) 信号的视觉检查,这耗时且容易因文物而导致评分器之间的变化.
- 缺乏在REM睡眠期间在EMG记录中去除工件的标准化方法.
研究的目的:
- 开发和验证基于机器学习 (ML) 的框架,用于在REM睡眠期间识别EMG信号中的工件.
- 通过减少手工劳动和提高可靠性来促进自动RWA评分.
- 为特征EMG信号形态提出一个匹配波纹方法.
主要方法:
- 采用匹配波纹方法来表征EMG信号形态.
- 开发了一个机器学习 (ML) 框架,用于识别REM睡眠期间EMG记录中的工件.
- 该框架被评估为其在从背景和阶段活动中检测文物方面的有效性.
主要成果:
- 最好的ML模型在检测背景文物方面获得了79.2%的F1得分,在检测相位活动文物方面获得了86.3%.
- 拟议的方法证明了低计算成本自动删除文物的可行性.
- 该框架显著提高了RWA评估的可靠性.
结论:
- 开发的ML框架为EMG记录中的文物评估提供了一个强大的工具.
- 自动移除文物可提高RWA评分的可靠性和诊断准确性.
- 这种方法有助于更有效和更一致的REM睡眠行为障碍 (RBD) 诊断.
