基于医学知识的多导睡眠图评分系统的发展与应用

医学信息学解锁21（2020）100454多导睡眠图睡眠分期系统的研究I：基于医学知识Jade Vanbuisa，b，*，Mathieu Feuilloya，b，Guillaume Baffet，Nicole Meslierc， d，EricGagnadouXc，d，Jean-MarcGiraulta，baESEO，法国bLAUM，UMR CNRS 6613，勒芒，法国c法国昂热大学医院昂热睡眠实验室d M UMR，1063，University of Angers，昂热，法国A R T I C L EI N FO保留字：多导睡眠图决策支持系统使用SATUD系统遵守AASM准则A B S T R A C T手动睡眠评分是一项耗时的任务，需要高水平的医学专业知识。出于这个原因，最近已经实现了许多自动睡眠评分算法。然而，由于各种原因，医生对它们的使用仍然有限：所使用的方法缺乏透明度，用于测试的患者之间的异质性不足，或缺乏实用性。本文提出了一个促进睡眠评分系统，将克服这些限制。所提出的系统是一种基于电生理通道的用户友好工具，在来自各种睡眠障碍患者的300和100个不同记录的大数据集上进行了训练和测试。该方法根据美国睡眠医学学会（AASM）指南复制手动睡眠评分过程，并生成患者依赖性睡眠评分（使用SATUD系统）。为了提高评分的精确度和置信度，我们的方法还提供了一个表格，该表格给出了评分睡眠时算法置信度的指示。与最近的深度学习方法相比，选择使用的算法是因为它们的弹性和易于理解。在这一过程中，尽可能多地纳入了医学知识。结果表明系统与手工评分一致（平均Cohen'sKappa值为0.69，准确率为77.8%）。 它证明了一个方便的解释模型，在睡眠诊断等领域至关重要，可以提供使用自动工具时。因此，这个新系统生成了睡眠评分决策支持工具，这将有助于节省大量时间，并帮助睡眠专家进行睡眠诊断。1. 介绍睡眠呼吸障碍（SDB）是一种常见的健康问题，影响约三分之一的人口[1 - 3 ]。 症状往往被忽视，因为它们不是SDB特有的，而且很常见[4]。然而，糟糕的睡眠质量会影响几个重要功能，如学习，记忆和适应，导致生活质量下降。在过去的几十年里，对睡眠诊断的需求越来越大[5，6]。SDB诊断的金标准程序称为多导睡眠图（PSG），涉及记录整晚的电生理（EP）和心肺（CR）信号[7]。一旦记录下来，睡眠专家就会手动研究信号：使用CR通道识别呼吸事件，使用EP通道对睡眠进行评分达到诊断通过将这些信息与患者症状进行交叉检查[7]。睡眠评分是一项耗时且复杂的任务。它涉及对每30秒部分（称为一个时期）的警惕程度的评估[ 7 ]。为此，EP通道，如脑电图（EEG）、眼电图（EOG）和 肌电图（EMG） 可视化时代，纪每个时期被识别为属于W阶段（清醒）、N1阶段（浅睡眠）、N2阶段（也是浅睡眠）、N3阶段（深睡眠）或R阶段（快速眼动睡眠）。由此产生的一系列睡眠阶段被称为睡眠图。美国睡眠医学学会（AASM）睡眠评分手册，相关事件[7]详细描述了每个睡眠阶段以及睡眠阶段之间可能的过渡。尽管有AASM指南，睡眠分期仍然耗时且复杂，评分员间一致率几乎不超过80- 90% [ 8 ]。* 通讯作者。 法国昂热ESEO电子邮件地址：jade.vanbuis@ eseo.fr（J。Vanbuis）。https://doi.org/10.1016/j.imu.2020.100454接收日期：2020年7月30日;接收日期：2020年10月4日;接受日期：2020年10月11日2020年11月7日网上发售2352-9148/©2020的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuJ. Vanbuis等人医学信息学解锁21（2020）1004542表1OSA严重程度由年龄表示，使用四分位数，评价D1和D2。Q1Q2D1数据集Q3Q4Q1Q2D2数据集Q3Q419 - 43岁44 - 53岁54 - 62岁63 - 86岁19 - 41岁42 - 53岁54 - 63岁64 - 79岁没有百分之三十二百分之十八百分之九百分之五百分之四十四百分之八百分之八百分之八轻度百分之三十一百分之二十三百分之二十三百分之二十五百分之三十二百分之二十八百分之二十百分之二十四中度百分之十七百分之二十四百分之三十百分之三十六百分之十二百分之三十六百分之三十六百分之二十四严重百分之二十百分之三十五百分之三十八百分之三十四百分之十二百分之二十八百分之三十六百分之四十四岁. 岁。最近，人工智能和更具体的学习算法已经证明了它们在许多医疗保健领域解决复杂问题的能力[9，10]。自动事件或睡眠分析的新算法已经出现，并被该领域的专家认可，可能有助于提高我们对睡眠的理解[11]并简化评分程序[12]。已经开发了许多使用EP信号进行自动睡眠评分的系统。在这样的系统中，算法被训练，因此它们可以使用手动评分作为参考将每个时期分类为睡眠阶段。开发的算法可以分为三类：深度学习[13]，机器学习[14]和混合方法[15]。深度学习通常直接应用于原始信号。在[16，17]中，卷积神经网络（CNN）与递归神经网络（RNN）的组合用于估计相关特征并对睡眠进行分类，同时考虑时间性。相反，机器学习通常需要在分类之前提取描述符，称为特征。测试了各种机器学习分类器。其中最广泛的，我们将提到支持向量机（SVM）在[18-森林（RF）[23，24]。最后，混合方法将深度学习或机器学习与专家知识相结合。在[25，26]中，应用了符号融合，因此用于分类的特征是定性的，特别接近AASM指南。然而，自动睡眠分期面临着几个挑战。 首先，用于分类的通道从一个患者到另一个患者变化很大。受试者之间的这种高变异性是由许多因素造成的这些参数包括受试者例如，运动或出汗）和附件的存在。它特别使机器学习方法的学习过程复杂化，其中特征受到主题特定特征的高度影响。如果对大量患有各种疾病的受试者进行训练，这是可以克服的。在[27]中，对154项基于深度学习的EEG分析研究的综述显示，其中一半包括不到13名受试者，据报道这不足以说明人类的异质性。关于机器学习或深度学习方法的另一个挑战是医学界的接受。Fiorillo等人[12]最近发表的一篇综述论文提出了日常自动评分的临床使用障碍。主要的限制是深度学习算法的黑盒行为。如今，一些研究人员试图提高他们的模型的可解释性[28]，例如，使用结合医学知识的混合方法。最终标准是模型易于医生使用。通常需要一个初步的人工操作（例如，识别伪影时期或部分评分），这意味着一旦记录了通道，就不能立即应用方法。总之，自动睡眠评分的临床使用仍然存在争议，因为有三个局限性：a) 对开发的方法缺乏信心（算法通常被认为是黑盒）;b) 数据集的异质性不足，但对评估现实生活中的表现是必要的;c) 所开发的方法缺乏实用性，有时需要在使用前进行人为干预。本研究的主要目的是实现一个用户友好的自动睡眠评分系统，以克服上述三个限制。与最近的大多数研究不同，我们选择优先理解算法的操作模式，解决问题a）。为了回答限制b），在一个大型的pa数据集上测试了该系统SDB严重程度不同的患者。问题c）也被考虑在内，因为该系统被设计为在没有任何初步人为操作的情况下使用（例如，部分睡眠评分或时段无效），并提供概率表以进一步帮助评分。这里提出的工作已被设计从多导睡眠图记录获得的EP通道。旨在协助医生在他们的诊断，开发的系统结合人工智能，智慧和专业知识。医生结果是一个用户友好的工具，提供评分支持，以避免睡眠评分者在睡眠阶段花费过多的时间本文是分两部分的文件的第一部分。在下面的章节（第2节）中，首先介绍了用于培训和测试的录音。算法架构，然后详细说明，并显示了如何解决这三个限制。在SATUD al-出租，也介绍了本节，是详细的配套文章[29].然后提出了系统评估的要素。在第3节中，将该系统与手动评分进行了比较，并报告了其性能。其结果和对睡眠诊断的影响在第4节中讨论。最后，在第5中给出了结论。2. 方法和材料首先，本节介绍了用于训练和测试算法的数据库。然后详细介绍了该系统中使用的方法，然后介绍了系统性能评估。2.1. 数据采集由于Pays de La Loire的睡眠队列，共有400个匿名睡眠记录被纳入这项该队列在圣特呼吸研究所的主持下运行。获得昂热大学伦理委员会的批准和“Comit'eConsultatifsurleTraitementdel'Informationenmati'eredeRecherchedansledomainedelaSant'e“（CCTIRS;07.207bis）。本研究中使用的录音是在2012年至2018年期间获得的，所有患者均提供了书面知情同意书。将400个记录分为两个数据集（D1和D2）。随机选择，确保阻塞性睡眠呼吸暂停（OSA）的严重程度和记录年份的代表性相等（见表1）。D1由来自182名男性和117名女性的300个记录组成，而D2由来自66名男性和34名女性的100个记录组成J. Vanbuis等人医学信息学解锁21（2020）1004543Fig. 1. 用户友好的自动睡眠分期系统的功能架构，由四个主要功能（F1、F2、F3和F4）组成。来自AASM手册的医学知识和电生理信号用作输入。输出是睡眠图hypnoEP和相关的概率表概率EP。D1的记录用作训练数据集，D2用作测试数据集。D1数据集由329，911个epoch组成（W：76，897- R：52，036-N1：24，283-N2：122，266-N3：54，429）。对于D2数据集，由110，978个历元组成（W：24，172-R：18，194-N1：8095-N2：41，095-N3：19，422）。被怀疑患有OSA的受试者在昂热大学医院（法国）的睡眠实验室接受了一晚的PSG。根据AASM指南记录睡眠[7]。CID 102 L 8D多导睡眠仪（CIDELEC St Gemmes-sur-Loire ，FRANCE） 使用 提供 的 往常 电生理 (EP)和表2使用SATUD系统获得的41个睡眠阶段的定性特征列表（右列）。每个定性特征对应于与描述符或定量特征（左列）相关联的水平，其被识别为与睡眠相关使用AASM指南进行阶段评分定量特征Tha定性特征使用NbEEG振幅2低|低或中|中等或高|高4EEG不稳定1否|是2心肺（CR）信号。 它还包括PneaVoX®传感器，由此估计气管音和呼吸努力，慢波活动量2低|低或中|高3促进事件评分[30 - 32 ]。一旦获得信号，每个睡眠记录都由一位睡眠专家手动评分，α波数量2低|低或中|中期|中等或高|5高尽管有几位睡眠专家参与了这项研究，但这与AASM指南一致。睡眠专家建立的睡眠图被认为是我们的参考，并在本文的其余部分被称为hypnoref。与其他研究不同， 是 不 丢弃 （既不 手动 也不 自动地）确保算法在现实生活条件下的效率。唯一被拒绝的时期是那些质量极差的信号，事件和/或睡眠的手动评分（例如缺失的时期β波数量2低|中期|中或高3Delta波数量2低|中或高2Theta波数量2低|低或中|中或高3下巴水平2低|低或中|中等或高|高4下巴不稳定2低|低或中|中等或高|高4EOG水平2低总和|低或中|中或高3EOG不 稳定性总和2低|低或中|中或高3减去EOG水平2低|中或高2信号）。 他们 自动失效， CIDELEC 用户减影眼电图不稳定性2低|中等或高|高3在得分之前的界面。2.2. 算法结构使用Matlab®软件实现本节中提出的算法，以提供睡眠评分支持工具。它是根据AASM指南[7]中描述的评分规则设计的，其行为与手动评分过程相似。它的输入是EP信号和先验医学知识（AASM指南）。它对所有时期进行分类，以提供自动催眠图催眠EP，并提供概率能力表概率EP。该表提供了对时期进行分类时算法置信水平的相关信息。图1示出了本节中描述的算法结构。该架构由几个主要功能组成：F1，F2，F3和F4。每个功能旨在重现睡眠专家在对睡眠进行评分时实现的任务之一。首先，实现对每个记录的适配并提供患者相关特征（F1）。使用这些特征，估计粗略的睡眠图（F2）。类似于手动评分过程，然后关于睡眠模式（在F3中识别）、周围时期和过渡规则来调整睡眠图（F4）。2.2.1. F1 -SATUD系统在对睡眠阶段进行评分之前，睡眠专家会将所有阶段可视化，以根据患者的具体特征调整评分。这一过程由SATUD系统自动执行，不需要任何培训/测试步骤。因此，SATUD系统适用于共计41个一 已使用的锁定数量。B 用于每个定量特征的定性特征的数量。所有D1和D2的记录都是单独的。SATUD系统在配套文件[29]中得到了充分介绍，其中详细介绍了其功能及其用于睡眠阶段分类的简化示例。简言之，SATUD系统使用从AASM指南获得的先验医学知识，从EP通道提取41个患者特异性定性特征。如表2所示，将41个患者特异性定性特征定义为各种睡眠阶段描述符（定量特征）的水平。例如，AASM指南提到了EEG振幅（表2的第1行）对睡眠阶段评分的重要性。N3的EEG振幅最高，N1的EEG振幅最低。在N2中，它通常也高于W和R。然而，当存在一些伪影（称为快速眼动伪影）时，R中的EEG振幅可能会增加。当患者激动（由于运动）时，W也可能非常高。关于这些元素，我们决定使用2个阈值，以便我们可以关联EEG振幅水平(or定性特征），阶段如下：N3→高，N2→中或高，R→低或中，N1→低（W没有，因为它可以是低，中或高）。由于不需要单独的中EEG振幅水平，因此我们没有对其进行计算。EEG波（表2第3 - 7行）通常使用具有固定边界的频率范围在这项工作中，J. Vanbuis等人医学信息学解锁21（2020）1004544图二. 混合ML系统的功能架构，由四个主要功能（F4.1、F4.2、F4.3和F4.4）组成。输入是睡眠转换规则（来自AASM手册）、粗略睡眠图（F2）和睡眠模式（F3）。使用手动评分hypnoref进行培训。输出是睡眠图hypnoEP和相关的概率表概率EP。图三. 从粗略的睡眠图和睡眠模式中提取的关于当前时期的特征。为每个记录重新定义，以进一步适应每个患者。特别是，调整清醒期间的α波频率范围，以避免W高估。12.2.2. F2 -随机森林分类器使用SATUD系统（F1）获得的41个患者特异性定性特征作为输入，F2旨在生成初始睡眠图。在本文的其余部分中，该睡眠图被称为由于F2需要训练/测试步骤，因此所有D1特征都连接到一个大型训练矩阵中。同样，所有D1引用hypnoref被连接。实现的分类器是一个随机森林[34]，这是一种结合决策树的机器学习算法。之所以选择这个模型，是因为它功能强大、健壮，而且不像深度学习方法那样不透明。随机森林使用来自Matlab®的TreeBagger函数开发。该函数使用数据的自举样本并在每个节点随机选择6个特征的子集来打包一旦模型被训练，它被保存在名称RF1下，以单独地重复用于每个测试记录，导致每个D2记录一个粗略的睡眠图。2.2.3. F3 -睡眠模式检测除了连续的特征，所谓的F3旨在使用AASM指南中提到的描述，睡眠1α波代表W阶段。对于某些患者，它们也可能发生在R阶段，甚至在α-δ睡眠患者的整个记录中[33]。纺锤波、K复合波、慢波活动（SWA）爆发、快速眼动（REM）、眨眼和运动使用先前实现的并且在本文中未详细描述的信号处理算法（滤波器、小波、经验推理等）来检测。对于每种睡眠模式，根据其性质，计算每个半期的数量或累积持续时间（为了更好地遵守AASM指南）。分别计算每个记录（D1和D2）的结果特征，并将用于增强粗略的睡眠图。2.2.4. F4-混合ML系统睡眠评分的最后一个主要因素是睡眠过渡规则。如AASM指南所述，有效的睡眠评分需要了解周围的时期（特别是N2和R睡眠阶段）。F4是混合机器学习系统，其组合了粗略的生理曲线图（在F2中获得）、睡眠模式数量或持续时间（在F3中获得）以及睡眠过渡规则的先验知识（从AASM指南获得）。F4输出是最终的睡眠图hypnoEP，以及概率表概率EP。图2示出了F4结构。 其架构由几个主要功能组成：F4.1，其通过考虑时间性使用粗略的睡眠图和睡眠模式来估计睡眠图，F4.2和F4.3，其调整和校正所获得的睡眠图，确保不存在禁止的时期序列，以及F4.4，其是使用粗略的睡眠图和睡眠模式来提供补充评分支持工具的独立功能。F4.1。为了解决时间轴，在粗略的睡眠图（五个特征）和睡眠模式（四个特征）中识别出九个特征。这些特征是关于当前时期提取的，如图所示。 3.这些特征构成分类器输入向量，标记为V。因此，分类器会考虑周围的时期选择的分类器是一个随机森林，使用与F2中相同的设置开发它被训练连接来自D1记录的所有V向量作为输入，并且所有D1参考hypnoref作为输入。参考在本文的其余部分中，所得到的睡眠图将被称为hypno_temp1保存训练模型（称为RF2），以便单独重复用于每个测试记录，从而每个D2记录产生一个hypno_temp1F4.2. hypno_temp1使用所述的转换规则进行平滑 在AASM指南中。这些规则定义了睡眠阶段之间可能或禁止的过渡，使用AASM指南实施，但也是经验性的，通过研究发生最多的错误。在本文的其余部分中，平滑的睡眠图将被称为hypno_temp2F4.3。hypno_temp2使用维特比隐藏马尔可夫模型[35]进一步平滑，训练以识别和校正序列错误[36，J. Vanbuis等人医学信息学解锁21（2020）1004545=∑1（%）= ×100iin使用siX范围：i=1n2i=1表3列联表。自动睡眠评分评价指标。实际上，它通过考虑该一致性的随机成分（在手动和自动分析完全独立）。κ由观察到的一致性比例Po和随机一致性比例Pe计算得出：κPo-Pe1-Pe其中Po=1∑5nii和Pe=1∑5尼岛×n. I. 它通常被解释为表4从D2数据集的自动睡眠分期获得的整体和个体性能。D2数据集WN1N2N3R所有科恩0.74 0.14±0.140.23 ±0.110.64 0.14±0.140.71 0.20±0.200.80 0.14±0.140.69 0.10±0.10准确率（%）92.3 ± 4.592.1 ± 3.483.3 ± 6.292.7 ± 4.595.1 ± 3.077.8 ±7.0灵敏度（%）82.3± 15.5 20.8± 9.0 83.9± 9.5 74.9± 20.3 83.3± 16.5不适用特异性（%）94.0± 5.7 97.8± 1.1 83.3± 8.0 96.5± 4.3 97.4± 2.2不适用N.A. =不适用。37]。为此，我们使用了hmmviterbiMatlab®函数，该函数需要计算两个矩阵：发射概率矩阵XEMIS，其对应于取决于参考睡眠阶段的每个睡眠阶段被发射的概率。使用hypno_temp2和hypnoref之间的混淆矩阵进行估计;转移概率矩阵XTRANS，它对应于每个睡眠阶段之间的过渡概率。这是根据hypnoref估计的。使用这些矩阵，维特比隐马尔可夫模型平滑睡眠图hypno_temp2，产生最后一个睡眠EP。EMIS和TRANS都是从D1估计的，然后保存以单独用于每个测试记录，从而每个D2记录产生一个催眠EP。F4.4。独立于F4.1、F4.2和F4.3，还计算了称为概率EP的表。该表包含对于每个时期，处于每个睡眠阶段的估计概率它可以用来确定哪些时期更容易或更不容易被算法评分，(i) κ<0。0：一致性(ii) 0的情况。0 ≤κ<0。2：轻微一致(iii) 0的情况。2 ≤κ<0。4：公平协议(iv 0的情况。4 ≤κ<0。6：中度一致(v) 0的情况。6 ≤κ<0。8：实质性协议(vi) 0的情况。8≤κ：几乎完全一致Acc对应于正确评分的时期的百分比5访问ni=1还报告了按年龄或OSA严重程度考虑受试者的总体评分。此外，每个睡眠阶段的分数都是单独估计的。为了做到这一点，我们采用了一对一的方式。REST方法，其中每个阶段交替地被认为是正类，而其他阶段被组合成单个负类。根据得到的真阳性（TP），对真阴性（TN）、假阳性（FP）、假阴性（FN）进行了Cohen’sKappa、准确率、敏感性的估计（定义为TP ）和特异性（定义为TN ）的。Rithm。概率EP计算在本文中没有详细描述。简而言之，它是通过测量特征集之间的一致性来建立的。TP+ FN TN+ FP2.3.2. 概率EP决策支持其被选择为代表每个特定的睡眠阶段。因此，概率EP反映了算法在对睡眠进行评分时的怀疑。由于这一点，医疗从业者知道算法发现哪些时期难以或容易评分。2.3. 系统评价根据测试数据集D2中包含的记录估计结果。需要提醒的是，该数据集由训练期间未使用的独立记录组成。使用先前训练的模型处理每个记录。然后，使用相关的hypnoref（分别在2.3.1和2.3.2中）测量所得的hypnoEP和概率EP在这两个部分中，报告的分数对应于平均个人分数。2.3.1. HypnoEP准确性对于每个记录，使用连续性表将hypnoEP与hypnoref进行比较（见表3）。使用Cohen的Kappa κ [ 38 ]和准确率Acc评估自动评分的总体准确性。κ可能是最常用的由于概率表概率EP没有与之比较的参考，我们评估了在特定睡眠阶段中正确与错误评分时由概率EP给出的平均概率。这些平均概率之间的差异越大，概率表就越好。事实上，我们希望算法中的错误仅限于特征指定多个睡眠阶段而不是单个睡眠阶段的时期（这表明手动评分可能也很复杂）。3. 结果3.1. HypnoEP准确性在100个记录中，84%的记录获得了高于0. 60的总体科恩表4给出了D2记录的总体CohenKappa κ和准确率Acc的平均值和标准差··J. Vanbuis等人医学信息学解锁21（2020）1004546表5总体表现取决于受试者的年龄，使用四分位数。 Q1=19- 41 岁 ， Q2 = 42 -53岁， Q3 = 54 - 63岁，Q4 = 64 - 79岁。Q1Q2Q3Q4Κ0.69 ±0.100.69 0.10±0.100.67 0.10±0.100.70 0.09±0.09加速度（%） 78.2 ± 6.677.9 ± 6.575.8 ± 7.178.9 ±6.7表6总体表现取决于受试者的OSA严重程度（由睡眠专家获得）。没有轻度中度严重Κ0.67 ±0.120.70 0.10±0.100.73 0.06±0.060.65 0.10±0.10加速度（%） 76.6 ± 7.779.1 ± 6.780.4 ± 4.774.6 ±7.7见图4。从D2数据集上的自动睡眠分期获得的混淆矩阵X催眠EP还报告了每个睡眠阶段的评分整体κ和ACC分别为0.69和77.8%。2如果我们考虑每个睡眠阶段单独检测，阶段R获得了最好的分数，κ达到0.80（与参考文献几乎完全一致）。κ平均值表明所有其他睡眠阶段与手动评分基本一致， 除了阶段 N1。 敏感性 是 所有 高于82%，除N2和N1睡眠期外（分别为74.9%和20.8%）。除N2睡眠期特异性为83.3%外，其余均在94%以上表5和表6报告了根据以下条件获得的性能：受试者的年龄（使用四分位数）和OSA严重程度（基于物理学诊断）。所有组的手动评分基本一致在年龄组中，53对于OSA严重程度，轻、中度OSA患者的κ均大于0.70，无或重度OSA患者的κ均小于0.70。图 4呈现了与表4相关的混淆矩阵。在解释混淆矩阵时，应记住每个阶段中手动评分的时期数量（W：24，172- R：18，194- N1：8095 -N2：41，095- N3：19，422）。常见的错误似乎是N1和N3时期被自动评分为N2睡眠阶段。2总体Fleis 'Kappa值也为0.69±0.10（记录的Cohen'Kappa值和Fleis'Kappa值之间的最大差异为0.03）。表7每个睡眠阶段的平均概率，同时参考与系统检测到的阶段一致或不一致。许普诺裁判同意许普诺裁判不同意催眠EP=W 79% 60%催眠EP=N1 65% 56%催眠EP=N2 66% 44%催眠EP=N3 87% 71%催眠EP=R 69% 53%3.2. 概率EP决策支持概率EP是辅助评分支持工具，其有助于使系统更实用，并提高医生对算法的表7报告了相关根据睡眠阶段，由hypnoEP在该表中，我们可以看到，被正确识别为N2的时期具有66%的N2阶段的报告平均概率，而被过度检测为N2的时期具有仅44%的N2的报告平均概率。这使得实际N2时期与非N2时期之间的差异为22%。因此，当它是实际的N2时期时，将时期评分到N2睡眠阶段时的算法置信度更大。考虑到其他睡眠阶段报告的平均概率，我们可以看到所有差异都在15%以上，除了N1睡眠阶段。因此，错误的时期比正确分类的时期更可能具有小且均匀的概率EP值。事实上，与其他人相比，后者应该显示出与其睡眠阶段相关的概率的明显优势。概率EP指出需要优先检查的时期，并且如果必要则手动校正4. 讨论本研究的主要目标是实现一个用户友好的自动睡眠评分系统。有几个因素有助于克服上述三个限制：a) 所开发的系统被设计为尽可能容易解释。为此，它的构建复制了手动评分，并使用了从AASM指南中提取的医学知识。首先，选择的通道与手动评分睡眠时相同。其次，我们知道，医疗从业者在评分之前会快速查看记录，以熟悉其具体特征并相应地评分。这一步骤在SATUD系统中重复（在配套论文[29]中列出），导致自动睡眠图依赖于患者。第三，AASM指南中描述的大部分元素都包含在系统中：连续特征，睡眠模式，周围知识和过渡规则。最后，在系统中实施的方法是使用可解释的算法或医学知识建立的;b) 算法性能进行了评估，对100个独立的记录，来自有和没有睡眠呼吸障碍的患者;c) 该系统在现实生活条件下工作，并且不需要任何先前的人为干预。不需要使时期或事件评分无效。概率EP还通过指出应该优先检查的时期来尽管存在这些限制，但该方法显示其可以获得与手动评分相当的结果，达到约0. 69的Cohen年龄对性能无显著影响（见表5）。作为J. Vanbuis等人医学信息学解锁21（2020）1004547表8使用电生理通道的5阶段分类的性能，与相关工作的比较一晚PSG（培训和测试）的数量受试者诊断方法克服限制 * Acc（%）κZokaeinikoo等人，2016 [24] 20（LOOCV**）仅健康Biswal等人，2018[16]10，000（9000Zhang等人，2019[17]5804（5213Chen al. 2019 [26] 16* 健康和SDB可解释a和b 80 0.72这项工作400（300ML=机器学习，DL=深度学习。* 从我们的角度来看，局限性被克服了局限性a：模型不透明，b：数据集的异质性不足，c：缺乏实用性。** 留一法交叉验证：逐一选择每个受试者的记录作为测试数据集，其他的组合成训练数据集。 最终结果由得分最高的模型提供。* 半自动化方法，需要对每个记录的5%进行手动评分对于OSA严重程度（见表6），严重OSA综合征患者的表现最低。令人惊讶的是，表现第二差的是没有OSA综合征的患者。尽管如此，对所有组获得的结果都是可接受的（最低κ为0.65），表明该算法对或多或少的碎片睡眠录音.单独考虑每个睡眠阶段（见图4和表4），似乎错误主要是N3个时期被错误分类为N2个睡眠阶段。此外，与其他阶段相比，睡眠阶段N1的性能非常低。这并不奇怪，因为睡眠阶段N1是一个过渡阶段，代表大约5%的夜晚，很可能与W和N2阶段重叠。事实上，N1睡眠阶段的评分者间一致性最低[8]。表7显示，与正确评分的时期相比，错误分类的时期在返回的表概率EP中具有较低的概率值。使用概率EP，一些错误的时期因此可以被手动评分器识别和重新评分。一个可能的策略是突出一个阶段概率在其他阶段中没有明显优势的时期。记分员可以考虑只回顾那些时代。表8列出了与文献相比的所得结果只有使用EEG、EOG和EMG的研究，与按照AASM指南手动评分的睡眠图进行比较，并指出患者数量和训练/测试重新分配，才被考虑进行比较。达到更好分数的深度学习方法并没有克服限制a）。Chen等人的方法[26]也是可解释的，但由于它是半自动的，因此没有克服限制c）。我们的方法表明，尽管包括透明度，混合方法仍然可以达到足够的分数。的 提出 系统 提供 弹性 工具 到 促进睡眠评分，从而帮助睡眠专家诊断睡眠障碍。由于我们意识到睡眠专家对自动方法的不信任，我们确定了使用自动方法的三个为了更进一步，考虑了几个方面。首先，我们想使用记录来其他睡眠实验室。我们的记录都是由一个睡眠实验室进行，并且即使几个人工评分者建立了参考，本地评分实践也可能影响算法。其次，微觉醒3（当手动将睡眠评分为它们是某些转换规则所要求的），在此系统中未检测到。目前正在开展工作，以查明这些问题。第三，应评估自动睡眠评分对睡眠诊断的影响。应将当前系统得出的呼吸暂停低通气指数（AHI）与手动评分得出的呼吸暂停低通气指数进行比较。最后，由于睡眠诊断有时使用不记录EP通道的设备来执行，因此看看来自心肺通道的自动睡眠评分有多好将是有趣的。5. 结论本文提出了一种新的自动睡眠分期方法，3 短暂的清醒，睡眠中断的标志提出了其架构旨在逐步重现由睡眠专家实现的手动评分任务：适应每个记录这个模式很容易理解，非常适合缺乏信心的医学界在一般实施的模式中。对100例有或无睡眠呼吸障碍的患者进行了评估，结果表明，自动睡眠图在无睡眠呼吸障碍的情况下均表现出良好的性能。受试者的年龄或OSA严重程度。平均科恩的Kappa和准确率分别为0. 69和77. 8%，该算法获得了与手动评分器高度一致。所提出的方法被放在一起作为睡眠评分的评分支持工具，因此在多导睡眠图记录之后立即可用，而不需要任何初步的人为操作。除了自动睡眠图外，还指出了需要检查和重新评分的时期。考虑到睡眠评分是一项耗时且复杂的任务，所提供的用户友好工具应极大地支持睡眠专家的诊断。资金这项研究得到了卢瓦尔河地区圣呼吸研究所的资助。竞合利益作者声明以下经济利益/个人关系可能被视为潜在的竞争利益：Nicole Meslier已收到来自ASTEN、CIDELEC、PHILIPS、ORKYN的演讲费或会议差旅费，并收到来自CIDELEC和SOMNOMED的咨询费。Fr'ed'ericGagnadouX报告了在提交的工作之外来自AIRSANIDESANTE、CIDELEC、RESMED、SEFAM的个人费用;在提交的工作之外来自AIRSANIDE SANTE、ASTEN SANTE、SEFAM的非财政支持。确认作者要感谢Christelle Gosselin和Jean-LouisRacineuX，来自 InstitutdeRecherche enSant'e Respiratoiredes Pays de La Loire，以及ESEO的MargauX感谢Alain Le Duff和Lucile Riaboff，之前来自ESEO。我们感谢Julien Godey，Laetitia Moreno和Marion Vincent，他们是昂热大学医院呼吸和睡眠医学部的睡眠技术人员。引用[1] HeinzerR，Vat S，Marques-Vidal P，Marti-Soler H，Andries D，Tobback N，et al.一般人群中睡眠呼吸障碍的患病率：HypnoLaus研究 柳叶刀呼吸医学2015;3：310- 8。[2] CroftJB. 疾病预防控制中心对睡眠健康的公共卫生监测。 2017年。J. Vanbuis等人医学信息学解锁21（2020）1004548[3] SenaratnaCV，Perret JL，Lodge CJ，Lowe AJ，Campbell BE，Matheson MC，等.一般人群中阻塞性睡眠呼吸暂停的患病率：一项系统性综述 睡眠医学评论2017;34：70- 81。[4] AASMTaskForce. 成人睡眠相关呼吸障碍：临床研究中综合征定义和测量技术的建议。睡眠1999年;22：667[5] 放大图片作者：Franklin KA，Lindberg E.阻塞性睡眠呼吸暂停是一种常见的人群疾病-睡眠呼吸暂停的流行病学综述。 J Thorac Dis 2015;7：1311[6] Peppard PE，Young T，Barnet JH，Palta M，Hagen EW，Hla KM.成人睡眠呼吸障碍的患病率增加。美国流行病学杂志2013;177：1006[7] Berry RB，Brooks R，Gamaldo CE，Harding SM，lloyd RM，Quan SF，et al. TheAASMmanual for the scoring of sleep and associated events：rules，termsandtechnical specifications. 2.4英寸Darien IL：美国睡眠医学学会; 2017年。[8] Rosenberg RS，Van Hout S. 美国睡眠医学学会内部评分员可靠性程序：睡眠阶段评分。 J. Clin. 睡眠医学2013;9（1）：81- 7。[9] Fogel AL，Kvedar JC.人工智能为数字医学提供动力。npj数字医学2018;1.[10] TopolEJ高性能医学：人与人工的融合智能 NatMed2019;25：44- 56.[11] 彭泽尔T，康拉特R。基于计算机的睡眠记录和分析。睡眠医学修订版2000;4：131[12] Fiorillo L，Puiatti A，Papandrea M，Ratti P-L，Favaro P，Roth C，et al.Automatedsleep scoring：a review of the latest approaches. 48.第48章.[13] 李康Y，本吉奥Y，辛顿G. 深度学习 Nature2015;521：436- 44.[14] 主教CM。模式识别和机器学习。 2006年。[15] WermterS，Sun R. 混合神经系统概述In：Goos G，Hartmanis J，vanLeeuwenJ，Wermter S，Sun R，editors.混合神经系统，第1778卷。Berlin，Heidelberg：SpringerBerlinHeidelberg. p. 1- 13 [系列标题：计算机科学讲义]。[16] Biswal S，Sun H，Goparaju B，Westover MB，SunJ，Bianchi MT.EX pert-level睡眠用深度神经网络评分 美国医学信息杂志2018;25：1643- 50。[17] 张L，Fabbri D，Upender R，Kent D.使用深度神经网络对睡眠心脏健康研究进行自动睡眠阶段评分。42.第四十二章[18] EnshaeifarS，Kouchaki S，Took CC，Sanei S.四元数奇异谱分析脑电图及其在睡眠分析中的应用IEEE Trans Neural SystRehabil Eng2016;24：57-67.[19] Lajnef T，Chaibi S，Ruby P，Aguera P-E，Eichenlaub J-B，Samet M，et al.学习机器和睡眠大脑：使用决策的自动睡眠阶段分类树多类支持向量机 JNeurosciMethods2015;250：94- 105.[20] Mahvash Mohammadi S，Kouchaki S，Ghavami M，Sanei S.基于奇异谱分析的时频域睡眠脑电分类方法研究.JNeurosciMe