ALPEC：面向临床实践的基于机器学习的嗜睡呼叫检测综合评估框架与数据集
机器学习
2024-09-23 v1
摘要
检测嗜睡呼叫对于诊断睡眠障碍至关重要。然而，由于临床协议与机器学习方法之间的根本性不匹配，机器学习方法在临床实践中受到阻碍。临床医生通常仅标注嗜睡呼叫的起始时间，而机器学习方法则依赖于起始和结束时间的标注。此外，目前没有针对临床需求的嗜睡呼叫检测模型制定标准化评估方法。为此，本文引入一种强调近似定位和精确事件计数（ALPEC）的新型后处理和评估框架。我们建议机器学习实践者专注于检测嗜睡呼叫的起始时间，以契合临床实践。我们考察了这一转变对当前训练和评估方案的影响，解决了简化问题和挑战。我们利用一种新型全面的多模态多导睡眠图数据集（CPS），反映了上述临床标注约束，并包含现有多导睡眠图数据集中不存在的其他模态。我们随本文发布该数据集，展示了利用多模态数据进行嗜睡呼叫起始检测的优势。我们的发现显著促进了机器学习基于嗜睡呼叫检测在临床设置中的集成，缩小了技术进步与临床需求之间的差距。
引用
@article{arxiv.2409.13367,
title = {ALPEC: A Comprehensive Evaluation Framework and Dataset for Machine Learning-Based Arousal Detection in Clinical Practice},
author = {Stefan Kraft and Andreas Theissler and Vera Wienhausen-Wilke and Philipp Walter and Gjergji Kasneci},
journal= {arXiv preprint arXiv:2409.13367},
year = {2024}
}