基于光电容积描记与活动信号少量特征的机器学习睡眠-觉醒分类模型

睡眠是我们整体健康与福祉的关键方面。它在调节身心安康中扮演重要角色，影响情绪、记忆与认知功能，也影响身体韧性与免疫系统。睡眠阶段分类是评估睡眠质量的必需步骤，提供估计睡眠质量及休息关键期身体运作状况的指标。光电容积描记（PPG）已被证明是睡眠阶段推断的有效信号，意味着可单独或联合其他信号以确定睡眠阶段。该信息对识别潜在睡眠问题并制定改善睡眠质量与整体健康策略颇具价值。本工作中，我们提出一种基于极端梯度提升（XGBoost）算法并从 PPG 信号与活动计数提取特征的机器学习睡眠-觉醒分类模型。我们的方法性能可与当前最先进方法媲美，灵敏度为 91.15 $\pm$ 1.16%、特异度为 53.66 $\pm$ 1.12%、F1 分数为 83.88 $\pm$ 0.56%、Kappa 为 48.0 $\pm$ 0.86%。我们的方法较其他方案显著进步，因其使用少量特征，适于在计算能力受限的可穿戴设备中部署。