Four State Sleep Staging From a Multilayered Algorithm Using Electrocardiographic and Actigraphic Data
Notice bibliographique
Résumé
PURPOSE: Sleep studies are important to evaluate sleep and sleep-related disorders. The standard test for evaluating sleep is polysomnography, during which several physiological signals are recorded separately and simultaneously with specialized equipment that requires a technologist. Simpler recordings that can model the results of a polysomnography would provide the benefit of expanding the possibilities of sleep recordings. METHODS: Using the publicly available sleep data set from the multiethnic study of atherosclerosis and 1769 nights of sleep, we extracted a distinct data subset with engineered features of the biomarkers collected by actigraphic, oxygenation, and electrocardiographic sensors. We then applied scalable models with recurrent neural network and Extreme Gradient Boosting (XGBoost) with a layered approach to produce an algorithm that we then validated with a separate data set of 177 nights. RESULTS: The algorithm achieved an overall performance of 0.833 accuracy and 0.736 kappa in classifying into four states: wake, light sleep, deep sleep, and rapid eye movement (REM). Using feature analysis, we demonstrated that heart rate variability is the most salient feature, which is similar to prior reports. CONCLUSIONS: Our results demonstrate the potential benefit of a multilayered algorithm and achieved higher accuracy and kappa than previously described approaches for staging sleep. The results further the possibility of simple, wearable devices for sleep staging. Code is available at https://github.com/NovelaNeuro/nEureka-SleepStaging .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».