
-
生物通官微
陪你抓住生命科技
跳动的脉搏
BCGNet:一种基于60万小时睡眠数据训练的AI模型,用于新型枕下非接触式监测设备
《npj Digital Medicine》:BCGNet: an AI model trained on 600 K hours of sleep data for a novel under-pillow contactless monitoring device
【字体: 大 中 小 】 时间:2026年07月04日 来源:npj Digital Medicine 18.0
编辑推荐:
摘要睡眠对健康有着重要影响,但目前最常用的多导睡眠图检测方法存在成本高、易引起不适以及难以进行长期监测的局限。弹道心动图则是一种无创且易于使用的替代方案,但其精度往往不足以满足实际应用需求。为弥补这一缺陷,我们提出了BCGNet,这是一种两阶段迁移学习模型,首先在580,865小
睡眠对健康有着重要影响,但目前最常用的多导睡眠图检测方法存在成本高、易引起不适以及难以进行长期监测的局限。弹道心动图则是一种无创且易于使用的替代方案,但其精度往往不足以满足实际应用需求。为弥补这一缺陷,我们提出了BCGNet,这是一种两阶段迁移学习模型,首先在580,865小时的多导睡眠图数据上预训练,然后在15,081小时的弹道心动图数据上进一步微调并验证(总计595,946小时的记录数据)。在多个验证组中,BCGNet在四类睡眠分期分析(F1值:0.710?0.817)、呼吸暂停低通气指数估算(皮尔逊相关系数>0.95)以及睡眠连续性和结构量化方面均表现出优异性能(ICC和皮尔逊相关系数通常>0.8)。值得注意的是,即使是在短暂的日间小睡情况下,BCGNet仍能保持良好性能,并且在不同的外部数据集上也能展现出出色的泛化能力。作为一种便携式、非接触式的睡眠监测装置,BCGNet为长期家庭睡眠监测提供了更为实用且可扩展的解决方案,对于人群筛查和个性化睡眠医学具有重要的意义。
生物通微信公众号