机器学习使用心电图的睡眠阶段分类:评估信号持续时间的影响

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 医疗信号处理 医疗信号处理

背景情况:

• 准确的睡眠阶段分类对于诊断失眠和睡眠呼吸暂停等睡眠障碍至关重要.
• 目前的手动评分方法耗时且限制了可扩展性,特别是在资源有限的环境中.
• 使用机器学习自动化睡眠阶段分类可以提高诊断效率并减少医疗保健负担.

研究的目的:

• 开发和评估一个简化的睡眠阶段分类系统,仅使用心电图 (ECG) 信号.
• 评估使用心率变化 (HRV) 和卡雷图形描述器用于睡眠阶段预测的可行性.
• 展示一个具有成本效益和可扩展的睡眠监测解决方案,特别是在资源不足的环境中.

主要方法:

• 从心电图信号中提取心率变化 (HRV) 和波因卡雷图的特征.
• 训练有素的机器学习模型 (神经网络,KNN,XGBoost,随机森林) 用于五阶段的睡眠分类.
• 在两个公共数据集 (哈格兰医疗中心和MIT-BIH多人睡眠数据库) 上验证了方法.

主要成果:

• 使用长时间的心电图记录,获得的最高分类准确率为67%.
• 在较长的心电图段中训练的模型比在较短的段中训练的模型高出12%.
• 该研究强调了信号持续时间对分类性能的重大影响.

结论:

• 仅使用心电图信号来分类睡眠阶段是可行的,这为多信号方法提供了更简单,更容易获得的替代方案.
• 仅ECG系统显示了便携式,低成本和可扩展的睡眠监测解决方案的潜力.
• 这些发现支持为低资源环境开发更容易使用的睡眠障碍检测工具.