The potential of ensemble-based automated sleep staging on single-channel EEG signal from a wearable device
Notice bibliographique
Résumé
Abstract Machine-learning-based sleep staging models have achieved expert-level performance on standard polysomnographic (PSG) data. However, their application to EEG recorded by wearable devices remains limited by non-conventional referencing montage and the lack of benchmarking against PSG. Here, we tested whether an ensemble of state-of-the-art automatic staging algorithms can reliably classify sleep from a customized configuration of the ZMax headband, adapted to record a single fronto-mastoid EEG channel. A total of 35 nights of simultaneous ZMax and PSG recordings were acquired in a home setting, amounting to 250.02 hours of analysable data from 10 healthy participants. PSG data were scored according to AASM criteria by two independent experts from different sleep centres, with discrepancies resolved to obtain a consensus hypnogram. ZMax signal was processed using four machine-learning algorithms (YASA, U-Sleep, SleepTransformer, DeepResNet), whose predictions were further combined into a final ensemble scoring through soft-voting . The ensemble scoring achieved almost perfect agreement with human consensus staging (night-level mean ± SD; accuracy = 88.83% ± 2.84%, Cohen’s κ = 84.10% ± 4.52%, and Matthews Correlation Coefficient = 84.54% ± 4.23%). It showed excellent predictive accuracy for REM (F1-score = 93.99%), N3 (89.53%), N2 (87.93%), and wakefulness (86.37%), with lower performance for N1 (53.20%). These findings support the deployment of an ensemble scoring approach based on state-of-the-art sleep staging algorithms on ultra-minimal, mastoid-referenced EEG setups. This paradigm opens the way to the integration of data from modern wearable technologies into traditional PSG-based sleep research, overcoming longstanding barriers to ecological and large-scale sleep monitoring.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».