AnySleep：一个通道无关的深度学习系统，用于多中心队列中的高分辨率睡眠分期
AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
传统睡眠分期依赖 30 秒分段和专家标注，成本高且难以刻画数秒级的微觉醒。作者提出 AnySleep，用 U-Net 式编码解码结构加通道注意力模块处理任意数量的脑电和眼电通道，在 28 个数据集共 20,589 段整夜记录上训练，并在未参与训练的中心数据上测试。模型在 30 秒分期上与 U-Sleep 相当或略优，高分辨率输出能覆盖约 52.1% 的专家标注觉醒，并提升对阻塞性睡眠呼吸暂停、1 型发作性睡病和失眠的分类表现。高分辨率预测的绝对准确性尚未直接验证。
在 28 个数据集共 20,589 段整夜记录上训练，用通道注意力模块动态融合任意脑电与眼电通道，并以最高 128 Hz 输出睡眠分期。
睡眠对健康至关重要，然而研究其动态变化需要人工睡眠分期，这是研究与临床护理中一项劳动密集的步骤。在不同中心，多导睡眠图（PSG）记录传统上以30秒为一个epoch进行判读，这出于实用而非生理原因，并且在电极数量、导联组合和受试者特征方面各不相同。这些限制给协调一致的多中心研究以及在更短时间尺度上发现稳健生物标志物带来了挑战。我们提出AnySleep，这是一个深度神经网络，可在可调的时间分辨率下，从任意脑电图（EEG）或眼电图（EOG）数据中判读睡眠。我们在来自多个诊所的28个数据集、超过20,000份整夜记录（>200,000小时的EEG和EOG）上训练并验证了该模型，以促进跨站点的稳健泛化。该模型达到了最先进的性能，并在30秒epoch上超越或持平于已有基线。性能随通道数增加而提升，但在缺乏EOG，或仅有EOG或单导EEG（额区、中央区或枕区）可用时仍保持良好。在低于30秒的时间尺度上，该模型捕捉到与微觉醒一致的短暂觉醒侵入，并在预测病理生理状况（阻塞性睡眠呼吸暂停、1型发作性睡病、失眠）方面优于30秒判读。我们公开该模型，以促进采用异质电极设置的大规模研究，并加速睡眠中的生物标志物发现。
中文由 AI 翻译，仅供参考，以原文为准。
来源：npj Digital Medicine · nature.com