“`html
Медицина сна: применение искусственного интеллекта для анализа сна
Медицина сна – это критическая область, которая включает в себя мониторинг и оценку физиологических сигналов для диагностики нарушений сна и понимания его паттернов. Техники, такие как полисомнография (PSG), записывают мозговую, сердечную и дыхательную активность во время сна, предоставляя подробный обзор здоровья сна человека. Эти сигналы необходимы для классификации стадий сна и выявления нарушений сна.
Автоматизированный анализ сна с помощью искусственного интеллекта
Традиционные методы анализа сна, основанные на визуальном осмотре обученными техниками, требуют много времени, трудозатратны и подвержены ошибкам. Для эффективного и точного анализа сна по нескольким физиологическим сигналам необходимы автоматизированные методы. Цель – разработать надежные модели, способные обрабатывать сложные данные сна и предоставлять надежные диагнозы.
Текущие методы анализа сна в основном опираются на наблюдаемое обучение глубоких моделей. Однако большинство существующих методов зависят от размеченных данных узкой направленности и не используют полный спектр физиологических сигналов, доступных из PSG.
Модель SleepFM: мульти-модальный подход к анализу сна
Исследователи из Стэнфордского университета и Технического университета Дании представили модель SleepFM, которая использует контрастное обучение для интеграции мозговой активности, ЭКГ и дыхательных сигналов. Эта интеграция позволяет модели захватывать всесторонние физиологические представления и значительно повышает точность анализа сна.
SleepFM использует три 1D сверточных нейронных сети (CNN) для генерации вложений из каждой модальности (мозговая активность, ЭКГ и дыхательные сигналы). Архитектура этих моделей основана на 1D CNN, разработанной для классификации ЭКГ измерений. Каждая CNN настроена на обработку специфических характеристик своей модальности.
Результаты и преимущества модели SleepFM
В классификации стадий сна SleepFM достигла макро AUROC 0,88 и макро AUPRC 0,72, превзойдя другие модели. Кроме того, в детекции нарушений дыхания во сне SleepFM показала AUROC 0,85 и AUPRC 0,77, против 0,69 и 0,61 у других моделей. Эти результаты подчеркивают способность модели интегрировать разнообразные физиологические сигналы и улучшать точность и эффективность анализа сна.
Успех модели в основном обусловлен ее способностью изучать многофункциональные представления физиологических данных, что критично для точного анализа сна. SleepFM также проявила высокую точность в классификации демографических атрибутов, предсказывая возраст и пол по физиологическим данным.
Заключение
SleepFM представляет значительный прогресс в медицине сна, предоставляя автоматизированный, точный и эффективный метод анализа мульти-модальных данных сна. Модель демонстрирует потенциал трансформировать клиническую практику в области медицины сна и внедриться в рутинную практику.
Подробнее ознакомиться с исследованием.
“`
