基于深度学习的心冲击图系统睡眠-清醒状态分类

睡眠状态分类在管理和理解睡眠模式中至关重要，通常是识别急性或慢性睡眠障碍的第一步。然而，在不影响受试者睡眠的自然环境或条件的情况下进行此项工作至关重要。多导睡眠图（PSG）等技术具有侵入性，不便于常规睡眠监测。幸运的是，新兴技术与先进计算的出现使睡眠监测技术近期得以复兴。心冲击描记术（BCG）就是这样一种非接触、无干扰的监测技术，它通过测量身体对心脏射血的反应来监测生命体征。在本研究中，我们提出了一种基于多头一维卷积的深度神经网络，利用来自BCG传感器的信号对睡眠-清醒状态进行分类并准确预测睡眠-清醒时间。我们的方法实现了95.5%的睡眠-清醒分类得分，与基于PSG系统的研究相当。我们进一步在受控和非受控环境中进行了两项独立研究，以测试睡眠-清醒预测的准确性。我们在受控环境中的115名受试者上取得了94.16%的得分，在非受控环境中的350名受试者上取得了94.90%的得分。所提出系统的高精度和非接触特性使其成为长期监测睡眠状态的便捷方法。