基于隐马尔可夫模型利用体动记录仪进行睡眠/觉醒识别的无监督算法
摘要
体动记录仪在睡眠研究中被广泛使用，但缺乏通用的无监督睡眠/觉醒识别算法。本研究中，我们提出了一种基于隐马尔可夫模型（HMM）的无监督算法，可自动且有效地推断睡眠/觉醒状态。这是一种个体化的数据驱动方法，分别分析各个体的体动记录仪数据以学习活动特征，并进一步区分睡眠与觉醒状态。我们使用来自动脉粥样硬化多元种族研究（MESA）中 43 名个体的 Actiwatch 与多导睡眠图（PSG）数据评估方法性能。将我们的 HMM 算法与 Actiwatch 软件内置算法（AS）进行逐时段比对。HMM 与 PSG 的一致率为 85.7%，AS 与 PSG 为 84.7%。睡眠时段的阳性预测值 HMM 与 AS 分别为 85.6% 和 84.6%，觉醒时段分别为 95.5% 和 85.6%。两种方法性能相近，且相较于 PSG 均倾向于高估睡眠、低估觉醒。我们的 HMM 方法能量化活动计数的变异性，从而区分相对活跃与久坐个体：估计变异性较高的个体往往表现出更频繁的久坐行为。总之，我们的无监督数据驱动 HMM 算法相较 Actiwatch 软件中常用算法性能略优。HMM 有助于拓展体动记录仪在大规模研究及侵入性 PSG 难以获取或不可用场景中的应用。此外，估计的 HMM 参数可刻画个体活动模式，供进一步分析使用。
引用
@article{arxiv.1812.00553,
title = {A Hidden Markov Model Based Unsupervised Algorithm for Sleep/Wake Identification Using Actigraphy},
author = {Xinyue Li and Yunting Zhang and Fan Jiang and Hongyu Zhao},
journal= {arXiv preprint arXiv:1812.00553},
year = {2020}
}
备注
19 pages, 4 tables, 3 figures The old dataset has been replaced with a new dataset to better evaluate the method by validating against PSG. Thus, the evaluation metrics have all been changed. A major part of the manuscript has been revised