儿科睡眠网络:一个深度学习网络,可靠的儿科睡眠分期跨发育阶段

科学领域:

• 儿科睡眠医学 儿科睡眠医学
• 医疗保健中的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 由于发育的变化和分数不一致,手动测定儿童的睡眠阶段很困难,特别是在婴儿中.
• 准确的睡眠分期对于诊断和管理儿科睡眠障碍至关重要.

研究的目的:

• 开发和评估一个多式联机深度学习模型,儿科SleepNet,用于儿童群体的自动睡眠分期.
• 评估模型在广泛的年龄范围和多样化的临床子组中的表现.

主要方法:

• 一个以U-Net为灵感的编码解码模型 (儿科睡眠网络) 使用来自9,150个儿科多睡眠图 (PSG) 的9通道生理信号 (EEG,EOG,EMG) 进行训练.
• 模型在三个年龄组 (<6个月,6-12个月,>1年) 接受训练,并对3,804个测试记录进行评估,并与U-Sleep和CAISR进行比较.
• 跨年龄,性别和疾病类别进行了分层分析,在两个独立数据集上进行了外部验证.

主要成果:

• 儿科睡眠网表现强,平均科恩的卡帕从0.49 (0-6个月) 增加到0.72 (>12年).
• 该模型在早期发展阶段显著优于U-Sleep和CAISR,并在外部验证数据集 (Kappa>0.69) 上显示了可比的性能.
• 在患有,唐氏综合征,水头发症和其他神经发育疾病的儿童中,观察到绩效下降.

结论:

• 儿科SleepNet提供可靠的睡眠分期跨儿科发育,年龄和各种临床条件.
• 该模型在内部和外部数据集中的强大性能支持其在儿科睡眠医学研究和临床应用中的实用性.