阻塞性睡眠呼吸暂停(OSA)是一种夜间呼吸障碍,对公共卫生保健系统和国民经济造成重大负担。据估计,全世界有多达10亿人患有阻塞性睡眠呼吸暂停症,由于人口老龄化和肥胖患病率的增加,这一数字预计还会增加。如果未经治疗,OSA会增加患哮喘的风险心血管疾病和糖尿病,以及其他严重的健康后果。
睡眠阶段的识别在整个过程中至关重要诊断学的睡眠障碍,包括阻塞性睡眠呼吸暂停。传统上,睡眠被手动分为五个阶段,即唤醒、快速眼动(REM)睡眠和三个非REM睡眠阶段。然而,人工对睡眠阶段进行评分是耗时、主观且昂贵的。
为了克服这些挑战,东芬兰大学(University of east Finland)的研究人员使用了来自健康人和疑似阻塞性睡眠呼吸暂停(OSA)患者的多道睡眠记录数据,开发了一种精确的深度学习模型,用于自动分类睡眠阶段。此外,他们想知道OSA的严重程度如何影响分类的准确性。
在健康个体中,当使用单个额叶脑电图通道(EEG)时,该模型能够识别睡眠阶段,准确率为83.7%,当补充了眼电图(EOG)时,准确率为83.9%。在疑似阻塞性睡眠呼吸暂停综合征患者中,该模型的准确率分别为82.9%(单个EEG通道)和83.8%(EEG和EOG通道)。单通道准确率范围从84.5%到76.5%。该模型获得的准确度相当于执行手动睡眠评分的经验丰富的医生之间的对应关系。然而,该模型的优点是系统化,始终遵循相同的协议,并在几秒钟内进行评分。根据研究人员的说法,深度学习能够高精度地对疑似OSA患者进行自动睡眠分期。
来源:东芬兰大学