从使用深度传感器融合的穿着可穿戴设备中检测睡眠和清醒状态

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 睡眠医学 睡眠医学

背景情况:

• 充足的睡眠对整体健康至关重要,但患有注意力缺陷多动症 (ADHD) 的儿童经常经历睡眠障碍.
• 目前的睡眠监测工具,如多睡眠监测和手腕穿戴设备,对于这一群体来说,在成本,复杂性和准确性方面存在重大限制.

研究的目的:

• 开发和验证一种基于深度学习的非侵入性系统,用于准确监测ADHD儿童的睡眠.
• 评估使用穿在腿部的多式可穿戴设备 (RestEaze) 来捕获生理和运动数据的可行性.

主要方法:

• 利用穿着在腿上的可穿戴设备收集14名儿童的光电解剖学 (PPG),运动 (加速计,陀螺仪) 和温度数据,用于ADHD评估.
• 开发并比较了一个支持矢量机 (SVM) 基线模型与两个深度学习模型 (CNN-BiLSTM),使用原始多式联接输入的早期和晚期融合技术.
• 实施了一种时间标签平滑方法,以提高睡眠和清醒状态分类的一致性.

主要成果:

• 晚期融合的CNN-BiLSTM模型实现了高精度,在五倍交叉验证中,ROC曲线下的面积为90.94%.
• 该系统成功地获得了关键的睡眠指标,包括总睡眠时间,入睡后醒来,入睡延迟和唤醒.
• 证明了多式联运数据融合和深度学习的有效性,用于强大的睡眠阶段分类.

结论:

• 基于腿部的多式传感与深度学习相结合,为监测儿科神经发育人口的睡眠提供了一种可行的非侵入性方法.
• 这项技术在诊断和管理ADHD儿童睡眠问题的现有方法上提供了潜在的改进.
• 进一步的研究可以探索将这些发现整合到常规临床实践中,以改善儿科护理.