KIDS：基于运动学的（非）活动检测与分割在睡眠案例研究中的应用
信号处理
2023-01-10 v1 机器学习
摘要
睡眠行为与床上活动蕴含了关于人群神经生理健康的丰富信息，并直接关系到总体健康与生活质量。标准临床实践依赖多导睡眠图进行睡眠评估；然而其具有侵入性、在不熟悉环境中进行且需要受训人员。在侵入性较小的传感器技术（如活动描记法）上已取得进展，但临床验证对其可靠性和精度提出担忧。此外，该领域缺乏广泛认可的算法，所提方法从原始信号或特征阈值处理到数据密集的分类模型不一而足，其中许多不为医务人员熟悉。本文提出一种基于临床有意义关节运动学（由定制可穿戴传感器测量）的在线贝叶斯概率框架，用于客观的（非）活动检测与分割。通过基于降维的预处理实现了运动学时间序列的直观三维可视化，提供了开箱即用的框架可解释性，可能对临床监测与诊断有用。所提框架在体位改变检测和活动停止分割任务中分别达到了高达99.2%的F1分数和0.96的皮尔逊相关系数。该工作为可靠的居家睡眠活动分析铺平了道路，可服务于以患者为中心的纵向照护计划。
引用
@article{arxiv.2301.03469,
title = {KIDS: kinematics-based (in)activity detection and segmentation in a sleep case study},
author = {Omar Elnaggar and Roselina Arelhi and Frans Coenen and Andrew Hopkinson and Lyndon Mason and Paolo Paoletti},
journal= {arXiv preprint arXiv:2301.03469},
year = {2023}
}
备注
18 pages, 8 figures, supplementary info included