从可穿戴设备的单通道EEG信号上进行集成式自动化睡眠分期的潜力
Federico Salfi1, Domenico Corigliano1,2, Giulia Amicucci1
1Department of Biotechnological and Applied Clinical Sciences, University of L'Aquila, L'Aquila, Italy.
一组机器学习模型使用可穿戴EEG准确地分类睡眠阶段,与传统的多睡眠学有很高的一致性. 这证实了可穿戴设备用于大规模睡眠监测的有效性.
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:
- 机器学习模型显示了使用标准多睡眠学 (PSG) 进行睡眠分阶段的专家级性能.
- 穿戴式设备EEG由于非传统的引用和缺乏PSG基准测试而带来挑战,限制了临床应用.
研究的目的:
- 评估一组最先进的睡眠分阶段算法,以使用定制的ZMax头带 (前胸肌脑电图通道) 可靠地进行睡眠分类.
- 通过分析微观结构特征和整体分类准确度,将可穿戴EEG睡眠阶段与传统PSG进行比较.
主要方法:
- 同时采集ZMax头带和PSG录音从10名健康参与者 (35个晚上,250.02小时).
- 四个机器学习算法 (YASA,U-Sleep,SleepTransformer,DeepResNet) 处理了ZMax的脑电图数据.
- 综合得分方法通过软投票结合算法预测,由两个独立专家的共识催眠图作为黄金标准.
主要成果:
- 整体评分显示了与人类共识分期的近乎完美的一致性 (准确率:88.83%,科恩 κ: 84.10%,MCC: 84.54%).
- 对于REM (F1: 93.99%),N3 (89.53%),N2 (87.93%) 和清醒 (86.37%),观察到高分类效率,N1 (53.20%) 的性能较低.
- 微结构分析证实了ZMax和PSG信号之间的强烈对应,表明关键睡眠特征的保存.
结论:
- 使用最先进的算法进行整体评分方法,对于像ZMax头带这样的极小EEG设置是有效的.
- 这证实了可穿戴技术数据与睡眠研究的整合,克服了生态,大规模睡眠监测的障碍.
更多相关视频
相关概念视频
06:34A Single-Channel and Non-Invasive Wearable Brain-Computer Interface for Industry and Healthcare
04:54IntelliSleepScorer, a Software Package with a Graphic User Interface for Mice Automated Sleep Stage Scoring
05:05Establishing a Device for Sleep Deprivation in Mice
10:45A Community-based Stress Management Program: Using Wearable Devices to Assess Whole Body Physiological Responses in Non-laboratory Settings
06:19Visual Evoked Potential Recordings in Mice Using a Dry Non-invasive Multi-channel Scalp EEG Sensor
Stages of Sleep
Before sleep begins, in wakefulness, the brain exhibits primarily beta waves, which are high in frequency and low in amplitude, indicating alertness...


