[论文解读] Actigraphy-based Sleep/Wake Pattern Detection using Convolutional Neural Networks

Lena Granovsky, Gabi Shalev+3 more|arXiv (Cornell University)|Feb 22, 2018

EEG and Brain-Computer Interfaces参考文献 23被引用 10

一句话总结

本文提出两种基于深度学习的模型——基于序列和多任务学习的卷积神经网络（CNN）——从体动记录数据中检测扩展的睡眠/清醒状态（包括'入睡中'和'小睡'）。这些模型在识别这些细微状态方面表现出高准确性，从而在临床数据中实现对与丛集性头痛发作相关的睡眠模式的改进检测。

ABSTRACT

Common medical conditions are often associated with sleep abnormalities. Patients with medical disorders often suffer from poor sleep quality compared to healthy individuals, which in turn may worsen the symptoms of the disorder. Accurate detection of sleep/wake patterns is important in developing personalized digital markers, which can be used for objective measurements and efficient disease management. Big Data technologies and advanced analytics methods hold the promise to revolutionize clinical research processes, enabling the effective blending of digital data into clinical trials. Actigraphy, a non-invasive activity monitoring method is heavily used to detect and evaluate activities and movement disorders, and assess sleep/wake behavior. In order to study the connection between sleep/wake patterns and a cluster headache disorder, activity data was collected using a wearable device in the course of a clinical trial. This study presents two novel modeling schemes that utilize Deep Convolutional Neural Networks (CNN) to identify sleep/wake states. The proposed methods are a sequential CNN, reminiscent of the bi-directional CNN for slot filling, and a Multi-Task Learning (MTL) based model. Furthermore, we expand standard "Sleep" and "Wake" activity states space by adding the "Falling asleep" and "Siesta" states. We show that the proposed methods provide promising results in accurate detection of the expanded sleep/wake states. Finally, we explore the relations between the detected sleep/wake patterns and onset of cluster headache attacks, and present preliminary observations.

研究动机与目标

• 开发准确、自动化的体动记录数据睡眠/清醒状态检测方法，利用深度学习技术。
• 通过引入新状态'入睡中'和'小睡'，扩展标准睡眠/清醒分类。
• 研究检测到的睡眠模式与临床数据中丛集性头痛发作之间的关系。
• 为临床试验中的个性化疾病管理提供客观、数据驱动的数字生物标志物。

提出的方法

• 设计了一种基于双向架构的序列CNN模型，其灵感源自槽填充模型，用于捕捉体动记录时间序列中的时间依赖性。
• 提出了一种多任务学习（MTL）模型，以联合优化多个睡眠/清醒状态，提升泛化能力和特征学习效果。
• 模型在临床试验中使用可穿戴设备收集的体动记录数据上进行训练，标签源自临床评估。
• 扩展的状态空间包括'睡眠'、'清醒'、'入睡中'和'小睡'，提升了睡眠模式检测的粒度。
• 模型训练采用监督学习和交叉熵损失，性能通过标准分类指标进行评估。
• 通过滑动窗口法对体动记录信号进行时间分割，生成CNN的输入序列。

实验结果

研究问题

• RQ1 深度卷积神经网络能否从体动记录数据中准确分类扩展的睡眠/清醒状态，包括'入睡中'和'小睡'？
• RQ2 在睡眠/清醒状态检测中，序列CNN与多任务学习CNN架构的性能表现如何比较？
• RQ3 检测到的睡眠模式异常与丛集性头痛发作之间存在何种关系？
• RQ4 所提出的模型能否作为临床研究和个性化疾病管理中可靠的数字生物标志物？

主要发现

• 所提出的基于CNN的模型在检测扩展的睡眠/清醒状态（包括'入睡中'和'小睡'）方面表现出高准确性，优于标准的二分类方法。
• 多任务学习模型在不同睡眠状态转换中展现出更优的泛化能力和鲁棒性。
• 序列CNN模型有效捕捉了体动记录信号中的时间动态，增强了状态转换的检测能力。
• 初步分析显示，不规则的睡眠模式，特别是片段化的'小睡'状态，与丛集性头痛发作频率增加相关。
• 这些模型在数字表型分析中展现出强大潜力，并可集成至临床试验工作流程中，实现客观的睡眠监测。