基于深度学习自动检测微睡眠片段
机器学习
2021-03-05 v2 信号处理
机器学习
摘要
短于 15 秒的短暂睡眠片段被定义为微睡眠片段（MSEs），常主观感知为嗜睡。其主要特征是脑电图（EEG）中频率减慢，类似于根据标准判据的 N1 期睡眠。维持觉醒测试（MWT）常用于临床环境以评估警觉度。大多数睡眠-觉醒中心对 MWT 的评分仅限于睡眠的经典定义（30 秒 epochs），并且由于缺乏界定 MSEs 的既定评分标准，也由于工作繁琐，MSEs 大多未被考虑。我们旨在利用机器学习即基于原始 EEG 和 EOG 数据作为输入的一种深度学习来实现 MSEs 的自动检测。我们分析了 76 名患者的 MWT 数据。专家目视评分了觉醒、以及根据近期开发的评分标准对 MSEs、微睡眠片段候选（MSEc）和嗜睡片段（ED）进行评分。我们实现了基于卷积神经网络（CNNs）以及 CNN 与长短期记忆（LSTM）网络结合的分割算法。LSTM 网络是一种递归神经网络，具有对过去事件的记忆并将其考虑在内。53 名患者的数据用于分类器训练，12 名用于验证，11 名用于测试。我们的算法表现出接近人类专家的良好性能。对觉醒和 MSEs 的检测非常好，对 MSEc 和 ED 的检测较差，类似于专家间对这些边界片段的低一致性。我们提供了原理证明，即基于原始 EEG 和 EOG 数据利用深度神经网络可靠检测 MSEs 是可行的，且性能接近人类专家。算法代码（https://github.com/alexander-malafeev/microsleep-detection）和数据（https://zenodo.org/record/3251716）均可获取。
引用
@article{arxiv.2009.03027,
title = {Automatic detection of microsleep episodes with deep learning},
author = {Alexander Malafeev and Anneke Hertig-Godeschalk and David R. Schreier and Jelena Skorucak and Johannes Mathis and Peter Achermann},
journal= {arXiv preprint arXiv:2009.03027},
year = {2021}
}