基于皮电活动测量的传感器睡眠监测探析
机器学习
2019-03-26 v1 机器学习
摘要
我们利用来自 6 名受试者 77 个夜晚睡眠的自我报告与皮电活动（EDA）可穿戴传感器数据，检验 EDA 数据用于睡眠监测的有效性。我们使用因子分析寻找 EDA 数据中的潜在因子，并使用因果模型搜索寻找能解释自我报告睡眠效率（SE）、睡眠质量（SQ）与潜在 EDA 因子的最可能图模型。采用结构方程建模确认所提取图的拟合度。基于生成的图，使用逻辑回归与朴素贝叶斯模型检验 EDA 数据预测 SE 与 SQ 的有效性。一夜睡眠总信号中提取的六个 EDA 特征可由两个潜在因子解释：EDA 幅度与 EDA 风暴。EDA 幅度作为 SE 的强预测因子，有助于检测睡眠时间的显著变化。EDA 幅度与 SE 在分类 SQ 上的表现显示了可穿戴睡眠监测应用的前景。然而，我们的数据表明，在仅从 EDA 传感器数据检测 SQ 的较小变化之前，有必要获得更准确的基于传感器的 SE 测量。
引用
@article{arxiv.1901.11440,
title = {Toward Sensor-based Sleep Monitoring with Electrodermal Activity Measures},
author = {William Romine and Tanvi Banerjee and Garrett Goodman},
journal= {arXiv preprint arXiv:1901.11440},
year = {2019}
}
备注
9 pages, 1 figure, 1 table, journal