基于深度学习的连续睡眠深度指数标注与新型数字生物标志物
机器学习
2024-12-10 v2 人机交互
信号处理
摘要
传统睡眠分期将睡眠和清醒划分为五个粗粒度类别，忽略了每个阶段内的细微变化。这提供了关于觉醒持续时间的有限信息，可能阻碍对睡眠碎片化及相关睡眠障碍的研究。为此，我们提出一种基于深度学习的方法，用于自动可扩展地注释连续睡眠深度指数（SDI），使用现有的离散睡眠分期标签。该方法使用来自4个大型队列中超过10,000个 polysomnography 记录进行验证。结果显示，睡眠深度指数下降与觉醒持续时间增加呈强相关性。具体案例研究表明，睡眠深度指数捕捉的细粒度睡眠结构超过常规睡眠分期。基于从睡眠深度指数提取的数字生物标志物的高斯混合模型识别出两种睡眠亚型，其中受扰动睡眠组的参与者在睡眠呼吸暂停、失眠、主观睡眠质量差、高血压和心血管疾病方面的患病率更高。受扰动亚型与死亡风险增加42%（风险比 1.42，95% 置信区间 1.24-1.62）和致命心血管疾病风险增加29%（风险比 1.29，95% 置信区间 1.00-1.67）相关。我们的研究强调了该方法用于连续睡眠深度注释的实用性，这可能揭示关于睡眠结构的更详细信息，并为常规临床应用在睡眠医学中产生新的数字生物标志物。
引用
@article{arxiv.2407.04753,
title = {Continuous Sleep Depth Index Annotation with Deep Learning Yields Novel Digital Biomarkers for Sleep Health},
author = {Songchi Zhou and Ge Song and Haoqi Sun and Yue Leng and M. Brandon Westover and Shenda Hong},
journal= {arXiv preprint arXiv:2407.04753},
year = {2024}
}
备注
working in progress