
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用深度传感器融合技术实现腿部可穿戴设备中的清醒状态检测
《Scientific Reports》:Sleep awake detection from leg-worn wearables using deep sensor fusion
【字体: 大 中 小 】 时间:2026年03月13日 来源:Scientific Reports 4.9
编辑推荐:
摘要充足的睡眠对健康至关重要,然而许多患有注意力缺陷多动障碍(ADHD)的儿童存在睡眠开始时间延迟、总睡眠时间缩短、频繁醒来以及日间疲劳等问题。准确检测这些问题对于临床治疗非常重要,但现有的检测工具存在局限性:多导睡眠图检测成本高昂且操作复杂,而手腕设备往往无法捕捉到细微的动作或
充足的睡眠对健康至关重要,然而许多患有注意力缺陷多动障碍(ADHD)的儿童存在睡眠开始时间延迟、总睡眠时间缩短、频繁醒来以及日间疲劳等问题。准确检测这些问题对于临床治疗非常重要,但现有的检测工具存在局限性:多导睡眠图检测成本高昂且操作复杂,而手腕设备往往无法捕捉到细微的动作或生理变化。本研究采用深度学习方法,利用RestEaze设备收集的数据——该设备是一种可穿戴的多模态装置,能够记录光电容积脉搏波、加速度计和陀螺仪检测到的运动数据以及温度信号。研究从14名接受ADHD评估的儿童身上获取了整夜的睡眠数据。首先使用手工设计的特征通过支持向量机建立传统基准模型,随后又开发了两种卷积神经网络(CNN–BiLSTM)模型,通过早期和晚期融合多种原始数据来对短时间窗口内的睡眠与清醒状态进行分类。在五折交叉验证中,晚期融合模型在ROC曲线下面积达到了90.94%。研究还分析了总睡眠时间、入睡后醒来的次数、入睡潜伏期以及醒来次数等指标,同时采用时间标签平滑方法进一步提升结果的稳定性。这些研究结果证明了基于腿部多模态传感技术结合深度学习方法,在儿童神经发育领域实现无创睡眠监测的可行性。