基于机器学习的儿童活动记录仪睡眠-觉醒分类模型评估与比较

《Sleep》：The Sleep-Wake Classification Performance of Pediatric-Trained Machine Learning Algorithms for Raw Accelerometer Data

　　

摘要

研究目标

活动记录仪睡眠-觉醒分类方法越来越多地尝试利用原始加速度数据和基于机器学习的分类方法，但在儿童中的应用评估有限。我们使用儿童数据训练了机器学习模型，并将它们的睡眠-觉醒分类表现与现有的儿童算法进行了比较。

方法

六十五名儿童（46%为女性，年龄5.3至17.7岁）完成了实验室过夜多导睡眠监测，并在非优势手腕上佩戴了GENEActiv设备。加速度数据被转换为30秒的时程，并与医生根据脑电图评定的睡眠-觉醒数据进行对齐。使用留一法交叉验证训练了八个机器学习模型。按时程逐项分析生成了性能指标（如平衡准确率[BA]），差异分析提供了总体睡眠时间偏倚估计。通过欧几里得距离评分来排名，其中评分越低表示越接近完美表现且偏倚为零。为进行基准比较，我们纳入了GGIR睡眠评分算法和一个成人员工训练的随机森林分类器。

结果

总体而言，共收集了560.1小时的多导睡眠监测和活动记录仪数据（74.4%的时程被评定为睡眠）。儿童训练的局部-全局长短期记忆（LSTM）分类器具有最优的按时程逐项表现（例如，BA=0.85，敏感性=0.88，特异性=0.83，ROC-AUC=0.95，Cohen's kappa=0.67）。这些指标超过了成人训练的随机森林分类器和基于GGIR的算法。差异分析显示，使用LSTM分类器时，总体睡眠时间平均低估了25分钟，且无比例性偏倚。

结论

我们训练了八个儿童睡眠-觉醒分类器，这些分类器具有强大的睡眠和觉醒检测能力，其中LSTM分类器表现最优。