Core Concepts
本研究开发了一种名为SleepPPG-Net2的深度学习模型,采用多源域训练方法提高了从原始PPG时间序列进行睡眠分期的泛化性能。
Abstract
本研究旨在开发一个可泛化的深度学习模型,用于从原始光电容积脉波(PPG)时间序列进行四类睡眠分期(清醒、浅睡、深睡、快速眼动睡眠)。
研究内容包括:
使用6个睡眠数据集,共2,574名患者记录,开发了一个名为SleepPPG-Net2的深度学习模型。该模型采用多源域训练方法,以提高对外部数据集的泛化性能。
将SleepPPG-Net2的性能与两种最新的基准模型进行了对比评估。结果显示,SleepPPG-Net2在泛化性能(Cohen's kappa)方面比基准模型提高了高达19%。
进行了定量的错误分析,确定了年龄、性别和睡眠呼吸暂停严重程度等主要影响因素。
SleepPPG-Net2在估计总睡眠时间、睡眠效率和不同睡眠阶段占比等睡眠指标方面也显示出较好的性能。
总之,SleepPPG-Net2为从原始PPG时间序列进行睡眠分期设立了新的标准,在临床应用中具有广阔前景。
Stats
总睡眠时间(TST)的平均绝对误差为24.2分钟。
睡眠效率(SE)的平均绝对误差为4.56%。
浅睡眠阶段(FRLight)占比的平均绝对误差为9.47%。
深睡眠阶段(FRDeep)占比的平均绝对误差为8.53%。
快速眼动睡眠阶段(FRREM)占比的平均绝对误差为3.72%。