SLEEPNET：基于深度学习的自动化睡眠分期系统
机器学习
2017-07-27 v1
摘要
睡眠障碍，如睡眠呼吸暂停、异态睡眠和嗜睡症，影响着美国5000万至7000万成年人（Hillman等，2006）。整夜多导睡眠图（PSG），包括使用脑电图（EEG）进行脑部监测，是睡眠障碍诊断评估的核心组成部分。虽然PSG通常由训练有素的技术人员执行，但近期强大的神经网络学习算法与大型生理数据集的结合提供了自动化的可能性，有望使专家级的睡眠分析更广泛地可用。我们提出了SLEEPNET（睡眠脑电神经网络），一个已部署的睡眠分期标注工具。SLEEPNET使用深度循环神经网络，在迄今为止最大的睡眠生理数据库上进行训练，该数据库包含来自麻省总医院（MGH）睡眠实验室超过10,000名患者的PSG数据。SLEEPNET在包含1,000份EEG的独立测试集上达到了人类水平的标注性能，平均准确率为85.76%，算法与专家之间的评分者间一致性（IRA）kappa值为79.46%，与专家间IRA相当。
引用
@article{arxiv.1707.08262,
title = {SLEEPNET: Automated Sleep Staging System via Deep Learning},
author = {Siddharth Biswal and Joshua Kulas and Haoqi Sun and Balaji Goparaju and M Brandon Westover and Matt T Bianchi and Jimeng Sun},
journal= {arXiv preprint arXiv:1707.08262},
year = {2017}
}