SleepPPG-Net：一种基于连续光电容积描记的鲁棒睡眠分期深度学习算法
机器学习
2022-05-02 v4 信号处理
摘要
引言：睡眠分期是睡眠障碍诊断与睡眠健康管理的重要组成部分。传统上其在临床环境中测量，且需要劳动密集的标注过程。我们假设，利用原始光电容积描记（PPG）时间序列和深度学习的现代进展，可以进行鲁棒的 4 类睡眠分期。方法：我们使用了两个包含原始 PPG 记录的公开睡眠数据库，总计 2,374 名患者和 23,055 小时。我们开发了 SleepPPG-Net，一种从原始 PPG 时间序列进行 4 类睡眠分期的 DL 模型。SleepPPG-Net 端到端训练，由用于自动特征提取的残差卷积网络与用于捕获长程上下文信息的时间卷积网络组成。我们将 SleepPPG-Net 的性能与基于最佳报道的 state-of-the-art（SOTA）算法的模型进行了基准比较。结果：在留出测试集上基准测试时，SleepPPG-Net 获得中位 Cohen's Kappa（）分数 0.75，而最佳 SOTA 方法为 0.69。SleepPPG-Net 对外部数据库展现出良好的泛化性能，迁移学习后获得 分数 0.74。展望：总体而言，SleepPPG-Net 提供了新的 SOTA 性能。此外，其性能足以高到为开发满足临床应用要求（如阻塞性睡眠呼吸暂停的诊断与监测）的可穿戴设备开辟道路。
引用
@article{arxiv.2202.05735,
title = {SleepPPG-Net: a deep learning algorithm for robust sleep staging from continuous photoplethysmography},
author = {Kevin Kotzen and Peter H. Charlton and Sharon Salabi and Lea Amar and Amir Landesberg and Joachim A. Behar},
journal= {arXiv preprint arXiv:2202.05735},
year = {2022}
}
备注
11 pages, 10 figures