SleepPPG-Net2：基于光电容积脉搏波图进行睡眠分期的深度学习泛化
机器学习
2024-04-11 v1 人工智能
信号处理
摘要
背景：睡眠分期是诊断睡眠障碍和管理睡眠健康的基本组成部分。传统上，此分析在临床环境中进行，并包含耗时的评分过程。最近基于数据驱动的睡眠分期算法使用光电容积脉搏波（PPG）时间序列，在本地测试集上表现出高性能，但由于数据漂移，在外部数据集上性能较低。方法：本研究旨在开发一个可泛化的深度学习模型，用于从原始 PPG 生理时间序列进行四分类（清醒、浅睡、深睡和快速眼动（REM））睡眠分期任务。共使用了六个睡眠数据集，总计 2,574 名患者的记录。为了创建更具泛化性的表示，我们开发并评估了一个名为 SleepPPG-Net2 的深度学习模型，该模型采用多源域训练方法。SleepPPG-Net2 与两个最先进的模型进行了基准对比。结果：SleepPPG-Net2 表现出始终优于基准方法的性能，泛化性能（Cohen's kappa）提升了高达 19%。在年龄、性别和睡眠呼吸暂停严重程度方面观察到了性能差异。结论：SleepPPG-Net2 为从原始 PPG 时间序列进行睡眠分期设定了新标准。
引用
@article{arxiv.2404.06869,
title = {SleepPPG-Net2: Deep learning generalization for sleep staging from photoplethysmography},
author = {Shirel Attia and Revital Shani Hershkovich and Alissa Tabakhov and Angeleene Ang and Sharon Haimov and Riva Tauman and Joachim A. Behar},
journal= {arXiv preprint arXiv:2404.06869},
year = {2024}
}