Deepsleep：通过深度学习以毫秒级分辨率快速准确地描绘睡眠唤醒-研究论文

【文件属性】：
文件名称：Deepsleep：通过深度学习以毫秒级分辨率快速准确地描绘睡眠唤醒-研究论文
文件大小：1.14MB
文件格式：PDF
更新时间：2021-06-09 23:06:27
sleep arousals automatic 背景：睡眠唤醒是被打断进入睡眠的短暂清醒期。 过度的睡眠唤醒与许多负面影响有关，包括白天嗜睡和睡眠障碍。 多导睡眠图记录的高质量注释对于睡眠唤醒障碍的诊断至关重要。 目前，睡眠唤醒主要由人类专家通过手动查看数百万个数据点进行注释，这需要相当多的时间和精力。 方法：我们使用来自两个独立数据集的 2,994 个人的多导睡眠图 (i) PhysioNet Challenge 数据集 (n=994) (ii) 用于模型训练 (60%)、验证 (15%) 和测试 (25%) 的睡眠心脏健康研究数据集 (n=2000)。 我们开发了一种深度卷积神经网络方法 DeepSleep，以自动分割睡眠唤醒事件。 我们的方法在多个时间尺度上捕获了生理信号之间的长程和短程相互作用，从而能够检测睡眠唤醒。 进一步应用了一种通过随机交换相似生理通道的新增强策略来提高预测精度。 结果：与睡眠研究中的其他计算方法相比，DeepSleep 具有准确的特征（接收器操作特征曲线下面积为 0.93，精确召回曲线下面积为0.55)、高分辨率（5 毫秒分辨率）和快速（每个睡眠记录 10 秒）描绘睡眠唤醒。 在 2018 年 PhysioNet 挑战赛中对大型保留数据集 (n=989) 进行评估时，该方法在分割非扁平唤醒方面排名第一。 我们发现 DeepSleep 提供了比人类更详细的描述，尤其是在唤醒和非唤醒事件之间的低置信度边界区域。 这表明计算机注释是人类注释的补充，并有可能推进当前的二元标签系统和睡眠唤醒评分标准。解释：所提出的深度学习模型在检测睡眠唤醒方面取得了最先进的性能。 通过引入标注置信概率，该模型将为睡眠障碍的诊断和睡眠质量的评估提供更准确的信息。 资金声明：这项工作得到了 NSF-US14-PAF07599（职业：在不可见扰动下预测蛋白质磷酸化动力学的在线服务 NSF）、AWD007950（帕金森病语音中的数字生物标志物美国帕金森病协会）、密歇根大学 O 'Brien Kidney Translational Core Center, 19AMTG34850176（美国心脏协会和 Amazon Web Services3.0 数据资助组合：人工智能和机器学习培训资助）和 Michael J. Fox 基金会 #17373。利益声明：YG 收到 Eli 的个人付款Lilly and Company、Genentech Inc、F. Hoffmann-La Roche AG 和 Cleerly Inc； 持有 Cleerly Inc 和 Ann Arbor Algorithms Inc 的股权； 获得默克公司的研究支持作为研究合同和 Ryss Tech 作为无限制捐赠。道德批准声明：不需要。