基于PPG的深度学习模型的临床评估,用于怀疑睡眠呼吸暂停的患者的睡眠分期

科学领域:

• 生物医学工程 生物医学工程
• 睡眠医学 睡眠医学
• 人工智能的人工智能

背景情况:

• 传统上用于心率和氧和度监测的摄影电磁显微镜 (PPG).
• PPG为睡眠障碍诊断提供了一个可扩展和成本效益高的实验室多睡眠学 (PSG) 替代方案.
• 深度学习模型在增强基于PPG的睡眠阶段推断方面表现有前途.

研究的目的:

• 评估基于PPG的深度学习模型,用于在怀疑睡眠呼吸暂停 (SA) 的临床队列中推断睡眠阶段.
• 为了比较基于PPG的睡眠分阶段表现与使用手腕和上臂设备的多睡眠学 (PSG).
• 评估一个轻量级的PPG模型,使用节拍间隔 (IBIs) 进行资源限制的设置.

主要方法:

• 134名怀疑睡眠呼吸暂停的患者的临床队列同时接受了PSG和可穿戴PPG/加速仪的记录.
• 一个深度学习模型被应用到PPG数据从手腕穿戴和上臂设备的睡眠阶段分类.
• 还评估了一种使用节拍间隔 (IBI) 的轻量级模型.

主要成果:

• 基于PPG的深度学习模型在使用手腕传感器的睡眠阶段 (清醒,轻度,深度,REM) 中,与PSG相比,实现了80.8%的中位准确率和0.7Cohen's Kappa.
• 当设备戴在上臂时,性能下降了6.2%的准确度和10%的卡帕.
• 轻量级的IBI模型显示了可比的手腕性能,而手臂上部没有退化.

结论:

• 基于PPG的深度学习是家庭睡眠监测的可行方法.
• 佩戴在手腕上的PPG设备比上臂设备更准确地测量睡眠阶段.
• 轻量级的PPG模型提供了在资源有限的环境中部署的潜力,作为PSG的补充.