首页»行业  »   正文

AI检测呼吸暂停、呼吸不足和觉醒,将睡眠障碍进行分类

AI检测呼吸暂停、呼吸不足和觉醒,将睡眠障碍进行分类

AI能够检测睡眠并不是什么新鲜事。去年4月,斯坦福大学和巴黎大学的研究人员提出了一个系统,可以在脑电图中预测睡眠事件的位置、持续时间和类型。11月,牛津大学的科学家描述了一个框架,可以自动检测快速眼动睡眠行为障碍。最近,论文“SleepNet: Automated sleep disorder detection via dense convolutional neural network”中描述的一种方法却略有不同。

它不是在传感器数据切片中寻找无序睡眠的模式,而是考虑在多导睡眠图(睡眠研究)期间收集的一系列数据。论文作者说,正是这一点帮助它在心脏病学2018年生理网检测睡眠觉醒挑战的计算中获得了第一名。

论文作者表示,“关于非呼吸暂停和呼吸不足而觉醒对睡眠质量和一般健康的影响的研究很少,因为它们很难被发现,并且比起呼吸不足和呼吸暂停,睡眠唤醒已被证明信度得分较低。一种更有效的检测睡眠唤醒方法将使健康研究人员能够确定这些事件对健康的影响,并开发更有效的治疗方法来降低其频率。目的是确定如何使用深度学习方法准确地检测唤醒。”

该团队在卷积神经网络上构建了他们的AI系统,为了改进泛化,他们使用了多任务学习机制,寻找三种情况之间的相关性:觉醒,呼吸暂停和呼吸不足。

AI检测呼吸暂停、呼吸不足和觉醒,将睡眠障碍进行分类

为了对其进行训练,他们采购了开源PhysioNet挑战语料库中提供的12个测量通道,其中包含来自马萨诸塞州综合医院睡眠实验室监测的1985名患者的多导睡眠监测且手动注释的数据。

研究人员在不同的四重训练和验证数据中重复了4次整个训练过程,每次训练集中有794个样本,100个验证。然后他们对输出进行平均以获得最终预测。

在实验中,研究人员发现,与几种单模型策略相比,一种集合策略,即利用多个训练模型的策略提高了性能。不过它并不完美,有时高估了呼吸暂停和呼吸不足的严重程度。但是它能够准确地预测唤醒,呼吸暂停和呼吸不足,从而使睡眠监测报告估计误差足够低。

论文:
arxiv.org/pdf/1903.04377.pdf

欢迎关注ATYUN官方公众号,商务合作及内容投稿请联系邮箱:bd@atyun.com

发表评论