SleepNetZero：基于心冲击图的零负担零样本可靠睡眠分期神经网络
信号处理
2024-10-31 v1 机器学习
摘要
睡眠监测在维持良好健康方面起着至关重要的作用，而睡眠分期是监测过程中的一项基本指标。传统方法利用脑电图（EEG）和心电图（ECG）等医疗传感器，虽然有效，但常常带来用户体验不自然、部署复杂和成本高等挑战。心冲击图（BCG）作为一种压电传感器信号，为长期家庭监测提供了一种非侵入式、用户友好且易于部署的替代方案。然而，由于可用于 BCG 的睡眠监测数据有限，基于 BCG 的可靠睡眠分期面临挑战。受限的训练数据集阻碍了模型在不同人群间的泛化。此外，从其他数据源迁移到 BCG 时，确保模型鲁棒性也面临困难。为解决这些问题，我们引入了 SleepNetZero，一种基于零样本学习的睡眠分期方法。为应对泛化挑战，我们提出了一系列 BCG 特征提取方法，将 BCG 成分与多导睡眠图（PSG）中相应的呼吸、心脏和体动通道对齐。这使得模型能够在人群多样化的大规模 PSG 数据集上进行训练。针对迁移挑战，我们采用了数据增强技术，显著提升了泛化能力。我们在大型数据集（来自 9637 名不同受试者的 12393 条记录）上进行了广泛的训练和测试，达到了 0.803 的准确率和 0.718 的 Cohen's Kappa 系数。ZeroSleepNet 还被部署在真实原型（监测垫）中，并在实际医院环境（265 名用户）中进行了测试，展示了 0.697 的准确率和 0.589 的 Cohen's Kappa 系数。据我们所知，这项工作代表了首个已知的基于 BCG 的可靠睡眠分期成果，标志着向家庭健康监测迈出了重要一步。
引用
@article{arxiv.2410.22646,
title = {SleepNetZero: Zero-Burden Zero-Shot Reliable Sleep Staging With Neural Networks Based on Ballistocardiograms},
author = {Shuzhen Li and Yuxin Chen and Xuesong Chen and Ruiyang Gao and Yupeng Zhang and Chao Yu and Yunfei Li and Ziyi Ye and Weijun Huang and Hongliang Yi and Yue Leng and Yi Wu},
journal= {arXiv preprint arXiv:2410.22646},
year = {2024}
}
备注
25 pages