MSED：用于临床睡眠分析的多模态睡眠事件检测模型
计算机视觉与模式识别
2023-03-07 v2 机器学习
信号处理
应用统计
机器学习
摘要
临床睡眠分析需要人工分析睡眠模式以正确诊断睡眠障碍。然而，若干研究已显示对临床相关离散睡眠事件（如觉醒、腿动和睡眠呼吸紊乱（呼吸暂停和低通气））的人工评分存在显著变异性。我们研究了自动方法是否可用于事件检测，以及在所有事件上训练的模型（联合模型）是否优于相应的事件专用模型（单事件模型）。我们在 1653 个独立记录上训练了一个深度神经网络事件检测模型，并在 1000 个独立保留记录上测试了优化后的模型。优化联合检测模型对觉醒、腿动和睡眠呼吸紊乱的 F1 分数分别为 0.70、0.63 和 0.62，而优化单事件模型分别为 0.65、0.61 和 0.60。由检测事件计算的指标值与人工标注呈正相关（分别为 = 0.73、 = 0.77、 = 0.78）。我们进一步基于时间差度量量化了模型精度，与单事件模型相比，使用联合模型总体有所改善。我们的自动模型以与人工标注高度相关的程度联合检测觉醒、腿动和睡眠呼吸紊乱事件。最后，我们与先前最先进的多事件检测模型进行基准比较，尽管模型尺寸缩减了 97.5%，所提模型在 F1 分数上总体有所提升。训练和推理的源代码见 https://github.com/neergaard/msed.git。
引用
@article{arxiv.2101.02530,
title = {MSED: a multi-modal sleep event detection model for clinical sleep analysis},
author = {Alexander Neergaard Olesen and Poul Jennum and Emmanuel Mignot and Helge B. D. Sorensen},
journal= {arXiv preprint arXiv:2101.02530},
year = {2023}
}
备注
10 pages, 4 figures. Accepted for publication in IEEE Transactions on Biomedical Engineering