Automated Sleep Detection in Movement Disorders Using Deep Brain Stimulation and Machine Learning
Notice bibliographique
Résumé
BACKGROUND: Automated sleep detection in movement disorders may allow monitoring sleep, potentially guiding adaptive deep brain stimulation (DBS). OBJECTIVES: The aims were to compare wake-versus-sleep status (WSS) local field potentials (LFP) in a home environment and develop biomarkers of WSS in Parkinson's disease (PD), essential tremor (ET), and Tourette's syndrome (TS) patients. METHODS: Five PD, 2 ET, and 1 TS patient were implanted with Medtronic Percept (3 STN [subthalamic nucleus], 3 GPi [globus pallidus interna], and 2 ventral intermediate nucleus). Over five to seven nights, β-band (12.5-30 Hz) and/or α-band (7-12 Hz) LFP power spectral densities were recorded. Wearable actigraphs tracked sleep. RESULTS: From sleep to wake, PD LFP β-power increased in STN and decreased in GPi, and α-power increased in both. Machine learning classifiers were trained. For PD, the highest WSS accuracy was 93% (F1 = 0.93), 86% across all patients (F1 = 0.86). The maximum accuracy was 86% for ET and 89% for TS. CONCLUSION: Chronic intracranial narrowband recordings can accurately identify sleep in various movement disorders and targets in this proof-of-concept study. © 2024 The Author(s). Movement Disorders published by Wiley Periodicals LLC on behalf of International Parkinson and Movement Disorder Society.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».