基于活动描记术的睡眠/觉醒模式卷积神经网络检测
机器学习
2018-02-23 v1
摘要
常见疾病常伴随睡眠异常。患有医学障碍的患者相比健康个体常遭受更差的睡眠质量，这反过来可能加重障碍症状。准确检测睡眠/觉醒模式对于开发个性化数字标记物十分重要，可用于客观测量和高效疾病管理。大数据技术与先进分析方法有望革新临床研究流程，使数字数据有效融入临床试验。活动描记术作为一种非侵入性活动监测方法，被广泛用于检测和评估活动与运动障碍，以及评价睡眠/觉醒行为。为研究睡眠/觉醒模式与丛集性头痛障碍之间的联系，在一项临床试验中使用可穿戴设备收集了活动数据。本研究提出两种利用深度卷积神经网络（CNN）识别睡眠/觉醒状态的新型建模方案。所提方法为一种序列CNN（令人联想到用于槽填充的双向CNN）和一种基于多任务学习（MTL）的模型。此外，我们通过增加“入睡”和“午睡”状态扩展了标准的“睡眠”和“觉醒”活动状态空间。我们展示了所提方法在准确检测扩展睡眠/觉醒状态中提供了有前景的结果。最后，我们探索了检测到的睡眠/觉醒模式与丛集性头痛发作之间的关系，并给出了初步观察。
引用
@article{arxiv.1802.07945,
title = {Actigraphy-based Sleep/Wake Pattern Detection using Convolutional Neural Networks},
author = {Lena Granovsky and Gabi Shalev and Nancy Yacovzada and Yotam Frank and Shai Fine},
journal= {arXiv preprint arXiv:1802.07945},
year = {2018}
}