基于催眠图谱的自动睡眠分期方法,以及通过多生物信号特征的两阶段LSTM-DNN集成学习模型进行的睡眠质量指数评估,用于睡眠障碍检测

《Sensors》:Hypnogram-Driven Automatic Sleep Staging and a Quality-Index Assessment Through a Two-Stage LSTM-DNN Ensemble Learning Approach Using Multi-Biosignal Features for Sleep Disorder Detection

【字体: 大 中 小 】 时间:2026年06月29日 来源:Sensors 4.0

编辑推荐:

   摘要

  

摘要

睡眠监测与分析对于了解整体健康状况、提升睡眠质量以及及早发现潜在睡眠障碍至关重要。本研究提出了一种多模态方法,利用有限的生物信号——单个脑电图(EEG)导联(F4–F3)、单个眼动图导联以及光电容积脉搏波(PPG)信号——来实现自动睡眠分期与质量评估。所提出的方法包括分层睡眠分期分类器、自动睡眠分期算法,以及用于客观评估睡眠质量的个体化睡眠质量指数(SQI)。该5类睡眠分期分类器采用两级串联的3类模型结构(清醒期-REM期-NREM期以及N1期-N2期-N3期),在基于BOAS(Bitbrain开放获取睡眠数据集)中的生理信号(EEG、EOG和PPG)提取的多模态特征上进行了训练和测试。最终得到的5类分类器准确率可达90.8%,且内存占用仅为3.14 MB。为评估方法的通用性并避免训练集与测试集之间的数据泄露,采用了留一受试者外验证法,结果证明该分类器在未见过的数据集上仍具有良好性能。随后,该分类器被整合到自动睡眠分期算法中。在14名未见过的研究对象上进行验证时,结合启发式后处理规则,准确率在80.26%至91.99%之间;而基于隐马尔可夫模型(HMM)的方法进一步提升了性能,最高准确率可达91.99%。所提出的SQI指标综合了从睡眠分期中提取的多种与睡眠相关的指标,涵盖了睡眠的持续时间、强度以及连续性/碎片化程度等多个方面。此外,还提出了一个校准策略,可根据睡眠评分参数以及通过睡眠日记和问卷得出的主观睡眠质量评分(PSQI)来调整SQI值。这一针对个体的策略在公共数据集上进行了验证,通过多晚的数据优化权重,随后在另一晚进行独立测试,结果显示计算出的SQI与主观睡眠质量评分高度一致(平均绝对误差为10.81)。最后,该框架实现了高效能的睡眠分期与个性化质量评估,证明了其适用于实际长期的睡眠监测应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号