.png){kind=icon}
返回
Data-driven sleep structure deciphering based on cardiorespiratory signals
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cmpb.2025.108769.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景与目的：心肺信号通过心肺耦合的生理机制为理解睡眠结构提供了新颖视角。该机制将耦合谱分为高频（HF）和低频（LF）频带，表明4-8分钟长的信号片段最适于分析。然而，由于缺乏针对这些信号的标签，研究不得不依赖美国睡眠医学会（AASM）的定义，而这些定义主要针对脑电图（EEG）和眼动图（EOG）数据设计。本研究旨在解决从AASM定义的标签向心肺导向标签的转换挑战，并评估使用这些信号进行准确睡眠结构识别的可行性。
方法：为符合心肺信号的生理特征，通过排除N2阶段对AASM标签进行了修改，因其同时包含稳定和不稳定非快速眼动（NREM）阶段，易引入模糊性。修改后的数据集聚焦于清醒、N1、深睡（N3）和快速眼动（REM）阶段。开发了一种基于生理学原理的深度学习模型（PIDM），用于从心肺时间序列中提取特征并分类睡眠阶段。后分析通过评估HF/LF比率和呼吸变异性，检验了模型对N2预测的生理合理性。
结果：结合修改后的标签方案与PIDM模型的流程，在正常组中分别实现了清醒、深睡和REM阶段的平衡准确率0.83、0.86和0.78；在轻度及中度睡眠呼吸暂停组中则达到0.92、0.95和0.90。后分析显示，多数N2样本被归因于稳定NREM睡眠，其特征为较高的HF/LF比率和较低的呼吸变异性，与生理学认知一致。
结论：本研究强调了心肺信号在睡眠结构识别中的生理相关性。通过排除和重新定义以解决N2分类的不确定性，所提流程有效区分了清醒、深睡和REM阶段。这些发现表明，心肺信号可作为稳健、实用且不依赖EEG的睡眠分析工具，尤其在居家医疗场景中具有潜力。
Keyword:
Cardiorespiratory signals
Deep-learning model
Sleep apnea
Sleep structure
Sleep stages
期刊
IF:
4.8
论文数:
7.0K
被引数:
2.1W
机构
引用论文
Deep learning-based sleep stage classification with cardiorespiratory and body movement activities in individuals with suspected sleep disorders.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Assessment of Time and Frequency Domain Entropies to Detect Sleep Apnoea in Heart Rate Variability Recordings from Men and WomenEntropyOAAI
EntropyIF0
OAAI分享收藏Sleep stage prediction with raw acceleration and photoplethysmography heart rate data derived from a consumer wearable deviceSLEEPOAAI
SLEEPIF4.9
OAAI分享收藏
查看更多内容