失眠可以通过脉搏检测出来!使用腕带式可穿戴设备预测睡眠障碍的拟议模型!

医疗 22/05/2022

三个要点
✔️家庭睡眠监测，特别是使用光电容积式脉搏波--光密度计：PPG--与佩戴在手腕上的可穿戴设备装置，用于筛选睡眠障碍和健康监测。该技术已引起广泛关注
✔️本研究旨在从大型睡眠相关数据集中建立一个睡眠阶段分类的学习模型。
✔️评估结果显示，学习模型的表现优于PPG和ECG的基线模型--只利用ECG数据或只利用PPG数据的估计模型。

A deep transfer learning approach for wearable sleep stage classification with photoplethysmography
written by Mustafa Radha, Pedro Fonseca, Arnaud Moreau, Marco Ross, Andreas Cerny, Peter Anderer, Xi Long Ronald M. Aarts
(Submitted on 15 Sep 2021)
Comments: npj Digital Medicine

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

背景

可穿戴设备能预测睡眠状态吗？

这项研究旨在建立一个基于可穿戴设备的睡眠状态分类的学习模型，目的是改善睡眠障碍。

睡眠剥夺与健康疾病--即体重增加、系统性炎症--有关，家庭睡眠评估和验证对预防这些疾病的重要性正在增加：长期监测对这些睡眠评估是有效的，可以作为睡眠质量的衡量标准。这些措施允许与多导睡眠图（PSG）进行更准确的验证，PSG是睡眠评估的黄金标准；另一方面，这些数据集可用于识别不同的睡眠阶段（例如，睡眠阶段1、2、3、4、5、6、7、8、9、10、11、12、13）。-快速眼动：快速眼动睡眠、N1、N2、N3 -很难区分，需要建立和构建自动检测这些睡眠状态的方法，以改善家庭睡眠评估。在这种情况下，以前的研究表明，心率变异性（HRV）可以作为PSG的替代品--因为自律神经系统与睡眠阶段的进展相关联。由于自律神经系统与睡眠阶段的进展相关，测量自律神经活动的心率变异可能允许估计睡眠阶段。因此，注意力集中在心电图数据和捕捉特征的学习模型上，目的是将心率变异特征转化为睡眠阶段。

本研究旨在构建一个基于心电图数据的睡眠状态分类模型，使用时间序列分析模型进行训练，并引入基于睡眠评分指数的转移学习：使用LSTM作为时间序列分析模型，在大型心电图数据集上进行训练，在小型PPG上进行转移学习。在大型心电图数据集和小型PPG数据集上进行转移学习，并与基于这些数据的基础模型进行比较和验证。

什么是可穿戴设备？

首先，对作为本研究分析对象的可穿戴设备进行了简要描述。

可穿戴设备是对实际由主体穿戴的信息设备的总称。可穿戴的意思是可穿戴的或可佩戴的，有腕带/手表和眼镜类型。因为这些设备实际上可以佩戴，所以它们可以用于日常生活的许多方面，从运动到洗澡和睡觉--它们对记录运动，如慢跑和游泳，以及捕捉健康信息，如心率、脉搏和睡眠时间都很有效。它被认为是

技术

本节概述了本研究中提出的方法。

数据集/提议的模型

评估中使用了两个数据集：第一，来自292名参与者的ECG和PSG信号的睡眠评分大数据集；第二，来自60名参与者的基于PSG、PPG和AASM的注释数据集。在这个数据上进行过渡学习。所提出的模型也是基于LSTM--长短期记忆--进行时间序列分析，作为一种深度学习模型，用于时间序列分析，见下图。

这个模型的组成部分是：领域层；时间层；决策层。域层由感知器组成，用于加权和选择输入，并在表示中进行紧凑耦合。该层每个时间步长可容纳32个向量。这个向量是在每个时间步长上产生的--在领域层，向量{𝑋'1, .𝑛}序列被生成；时间层由LSTM堆栈组成--在这个堆栈中，序列{𝑋'1,。,𝑋'𝑛}，并在每个时间步骤中生成128个特征。这里考虑到了时间信息，有来自过去和未来的短期和长期反馈；决策层由两层感知器组成：在第一层，对Tempral层的输出进行降维处理--大小为128的向量被降低到32。最后一层产生四个softmax输出：输出被设置为每个时间步骤的总和为1--这些都是在每个时间步骤产生的，结果是每个历时对应的睡眠阶段概率。概率被输出。此外，为了控制过度学习，在每个训练环节都采用了辍学的方式。在拟议的模型中，分类交叉熵被用作损失函数。

在转移学习中，拟议模型中的时间层被引入作为马铃薯的目标：该层可能很难在小数据集上进行训练，因为它占了模型权重的大部分--96.6%。因此，通过针对转移学习，它可以在较小的数据集上准确训练；而领域层和决策层在转移学习后被重新训练：领域层调整输入以适应心电图模型，而决策层则训练输入和心电图之间的映射。输入和标签中的映射。在这些过程中，源模型的各层被冻结，并通过四重交叉验证进行训练和验证。在这三种转移学习模型中--领域模型、决策模型和复合模型--名称是由要训练的层定义的。

结果。

本节描述了对所提出的模型的评价。

建议的方法在两个基础模型--心电图和PPG基础模型--中的表现描述如下：对于心电图，Kappa系数--对同一对象的几个评价模型之间的一致程度- 是0.62，估计精度为74.83%；对于PPG，卡帕是0.57，精度为71.88--见下表。

还对三种学习模型进行了转移学习的评估：在领域层学习，在决策层学习，以及在领域层和决策层结合学习：在领域层和决策层都学习的模型取得了最佳性能--见下表。在领域层和决策层上进行学习的模型取得了最高的性能--见下表。

三种转移学习条件和两种基线的性能分布--见下图--表明，带有转移学习的耦合学习表现最好。

还根据睡眠阶段的F1得分比较了综合方法的性能--见下图。

结果显示，所提出的睡眠模型的F1分数为0.71，明显高于心电图和PPG的分数。同样，对于快速眼动睡眠、N1/N2和N3，所提出的模型--领域+决策层学习模型的F1得分是0.74，取得了比基线模型更高的性能。

考虑

基于睡眠监测，本研究利用PPG建立并验证了睡眠阶段分类的转移学习模型。在这种方法中，一个深度神经网络模型--时间序列数据分析--使用一个关于睡眠的大型数据集进行预训练，并通过适应PPG来建立部分模型。为了进行预训练，我们利用了一个具有基于心电图的心率变异特征的数据集。评估结果表明，三种过渡学习模型--领域层的学习模型、决策层的学习模型以及领域层和决策层的学习模型--比单独的PPG和ECG的基线模型表现更好。.从这些结果可以推断出，在PPG数据集中，没有事先学习而建立的模型往往具有较差的模型性能--PPG数据集是不够的。

本研究的评估结果表明，在三种过渡学习模型中，组合方法--领域层+决策层学习模型--取得了最好的性能。由于在一项相关的研究中只对学习模型的softmax/决策层进行了重新训练--没有考虑其他层，因此结果表明，在学习中也有必要包括领域层。希望这些结果可以用来开发一个监测系统，可以根据家庭中的心率值对睡眠状态进行分类。

另一方面，挑战包括：按睡眠阶段分类；评估睡眠呼吸暂停；评估非健康状况。在本研究中，设置了四个阶段的分类评估，而不是通常的五个睡眠阶段：原因是在基于PSG的评估中，在N1--从清醒到睡眠的过渡期，评分者之间的一致性最差，而且评分者会出现偏差。另一方面，也有关于入睡时睡眠障碍的报道，所以可能存在这些分类不合适的情况；因此，也有必要明确所提出的模型中五级分类的评估性能。也有必要明确对睡眠呼吸暂停的评估，这是大量患者最常见的睡眠障碍。睡眠呼吸障碍已被证明会破坏睡眠结构，并与各种与生活方式有关的疾病--即心绞痛、心肌梗塞--有关；因此，通过呼吸暂停指数--AHI来评估睡眠呼吸障碍。因此，有必要澄清用呼吸暂停-呼吸暂停指数-AHI测量的睡眠呼吸暂停综合征严重程度分类算法的性能。此外，本研究中的分析人群是健康的--没有睡眠障碍，这也是一个可能的问题：所提出的模型对有睡眠障碍的人的估计性能还不清楚。因此，这样的案例样本的性能有可能很差，可以推断出需要建立更强大的模型性能。