基于自动化多导睡眠图分析的快速眼动睡眠行为障碍检测
机器学习
2018-11-13 v1 信号处理
神经元与认知
机器学习
摘要
有证据表明快速眼动(Rapid-Eye-Movement, REM)睡眠行为障碍(RBD)是帕金森病的早期预测因子。本研究提出了一种用于RBD检测的全自动化框架,包括自动化睡眠分期和随后的RBD识别。分析采用来自53名RBD受试者和53名年龄匹配健康对照者的有限多导睡眠图导联进行评估。睡眠阶段分类使用随机森林(Random Forest, RF)分类器以及从脑电图(EEG)、眼电图(EOG)和肌电图(EMG)通道提取的156个特征实现。对于RBD检测,训练了一个RF分类器,将已有的量化肌肉失张力技术与包含睡眠结构和EMG分形指数的附加特征相结合。自动化多状态睡眠分期达到了0.62的Cohen's Kappa分数。在使用人工标注睡眠分期时,RBD检测准确率较已有单一指标提高10%达到96%。在使用自动化睡眠分期时准确率仍保持较高水平(92%)。本研究优于已有指标,并证明纳入睡眠结构和睡眠阶段转换有益于RBD检测。本研究还实现了与人工标注准确度相当的自动化睡眠分期。本研究验证了一种可行、全自动化且高灵敏度的RBD识别流程,可转化用于可穿戴居家技术。
引用
@article{arxiv.1811.04662,
title = {Detection of REM Sleep Behaviour Disorder by Automated Polysomnography Analysis},
author = {Navin Cooray and Fernando Andreotti and Christine Lo and Mkael Symmonds and Michele T. M. Hu and Maarten De Vos},
journal= {arXiv preprint arXiv:1811.04662},
year = {2018}
}
备注
20 pages, 3 figures