利用时序上下文优化基于光电力生物力学的睡眠分期模型面向可穿戴设备
信号处理
2024-10-02 v1 人机交互
机器学习
摘要
准确的睡眠阶段分类对于诊断睡眠障碍和评估睡眠质量至关重要。虽然多导睡眠图 (PSG) 仍是金标准，但光电力生物力学 (PPG) 因其经济实惠和在可穿戴设备中的广泛应用而更为实用。然而，现有最先进的睡眠分期方法通常需要持续的长时间信号采集，导致高能耗，不适用于可穿戴设备。较短的信号采集更可行但准确性较低。我们的工作提出一种基于顶尖 state-of-the-art 方法改进的睡眠分期模型，并评估了不同 PPG 分段大小的性能。我们将 30 秒的 PPG 分段在 15 分钟的时间间隔内拼接，以利用更长的分段上下文。该方法实现了 0.75 的准确率、0.60 的 Cohen's Kappa 系数、0.74 的 F1-Weighted 分数和 0.60 的 F1-Macro 分数。虽然减小分段大小会降低深睡眠和 REM 睡眠阶段的灵敏度，但我们的策略在这些阶段超过单一 30 秒窗口方法。
引用
@article{arxiv.2410.00693,
title = {Optimizing Photoplethysmography-Based Sleep Staging Models by Leveraging Temporal Context for Wearable Devices Applications},
author = {Joseph A. P. Quino and Diego A. C. Cardenas and Marcelo A. F. Toledo and Felipe M. Dias and Estela Ribeiro and Jose E. Krieger and Marco A. Gutierrez},
journal= {arXiv preprint arXiv:2410.00693},
year = {2024}
}
备注
11 pages, 5 figures, 1 table