非侵入性睡眠分期与整合的胆心图和音频信号

科学领域:

• 睡眠科学与技术 睡眠科学与技术
• 生物医学工程 生物医学工程
• 医疗保健中的人工智能

背景情况:

• 临床多睡眠学 (PSG) 用于睡眠评估是侵入性的和不舒服的,可能会扭曲结果.
• 需要方便,非侵入性的方法来准确评估睡眠质量和阶段.
• 可穿戴式传感器和音频分析为远程和不引人注目的生理监测提供了潜力.

研究的目的:

• 研究将音频分析与非侵入性传感器相结合用于睡眠阶段分类的有效性.
• 开发和验证一个最小接触系统,用于在睡眠期间测量心肺呼吸参数.
• 评估完全非接触式睡眠检测环境的可行性.

主要方法:

• 通过弹性心图 (BCG) 传感器 (床振动) 和Apple Watch Ultra 2 (光学手腕传感器) 捕获心脏呼吸信号.
• 用非线性方法和自相关函数处理信号,生成数据集.
• 在这个数据集上训练了一种长期短期记忆 (LSTM) 模型,用于睡眠阶段分类,并对PSG进行验证.

主要成果:

• 该系统与PSG达成81%的协议,用于分类REM和非REM睡眠阶段.
• 仅仅音频和BCG数据就显示了大约76%的睡眠阶段分类一致.
• 整合音频功能在非侵入性设置中显著改善了睡眠阶段评估.

结论:

• 使用音频和BCG传感器的完全无接触系统可用于准确的睡眠检测和分类.
• 这种方法为临床PSG提供了一种舒适且最小的破坏性替代方案,改善了患者的体验.
• 这些发现支持使用非侵入性技术来进行更自然的睡眠障碍诊断.