区分急性与慢性失眠与机器学习活动检测仪时间序列数据

1介绍

减少或干扰睡眠是日益被视为一个重大的健康风险,并已与增加各种各样的健康问题和降低生活质量(<一个href="#B42">Wickwire et al ., 2019)。在质量和数量方面,睡眠是受到各种睡眠障碍的失眠是最常见的一种。根据精神障碍的诊断与统计手册》第五版(第五版),失眠是定义为睡眠的质量或数量的不满包括入睡困难,难以维持睡眠(频繁醒来或问题回到睡眠觉醒后)和/或早早醒来,无法入睡,白天合成障碍(<一个href="#B10">版et al ., 2013)。根据其持续时间不同,可以分为急性或慢性失眠。急性和慢性失眠有不同的根本原因和可能需要不同的治疗方法。

急性失眠(AI)是一个短暂的睡眠困难,这可能从几个晚上到3个月。它可以造成巨大的生活压力,疾病、某些药物或药物的影响,大流行,情感或身体不适,环境不适,主要工作或关系变化<一个href="#B12">埃利斯et al ., 2012,<一个href="#B11">2014年;<一个href="#B1">Altena et al ., 2020)。慢性失眠(CI)是一种长期模式,当一个人失眠,每周至少3天3个月或更长时间。词有许多潜在的原因包括慢性压力,抑郁或焦虑,晚上疼痛或不适。CI与白天的认知缺陷有关,疲惫,精神和身体上的障碍,降低生活质量,以及增加使用卫生服务(<一个href="#B43">威尔克森et al ., 2012;<一个href="#B39">泰勒et al ., 2013)。人工智能与第一个有关抑郁症的发作(<一个href="#B11">埃利斯et al ., 2014)。此外,如果未经处理,它可以转换和过渡词大量样本的利率为21.43%,美国和英国(<一个href="#B12">埃利斯et al ., 2012)。

区分人工智能从CI和早期诊断是成功治疗的关键。而失眠的患病率和发病率很高,这种病是诊断不足,往往未经处理(<一个href="#B44">威廉姆斯et al ., 2018;<一个href="#B25">莫林et al ., 2020)。因此,相当数量的患者失眠不就医,甚至可能没有意识到,他们的睡眠是不健康的。

人工智能和CI的临床评估通常是基于从个人和他们的睡眠日记自述症状(<一个href="#B34">黎曼et al ., 2017)。然而,睡眠日记是主观的,可以对个人造成负担。临床评估可以辅以多导睡眠图(PSG)和活动检测仪。PSG通常在睡眠实验室进行。其主要使用而不是评估人工智能和CI排除其他睡眠障碍,如睡眠呼吸暂停或不宁腿综合症。作为个体与失眠通常证明每晚可变性在睡梦中,一个或两个晚上PSG不太可能代表<一个href="#B7">Buysse et al ., 2010)。除此之外,这些人经常在实验室睡好本国以外的环境(<一个href="#B4">Baglioni et al ., 2014)。

活动检测仪提供了廉价和非侵入性的方法连续监测人类休息/活动模式,正越来越多地用于睡眠监测在很长一段时间。Actigraphic设备可以推断出睡眠特点的体育活动(<一个href="#B26">Nakazaki et al ., 2014),被广泛用来测量在几个晚上睡在一个家庭环境。这是特别适合监测人工智能和CI可以监视睡在自然家庭环境在多个晚上(<一个href="#B2">Angelova et al ., 2020 a;<一个href="#B17">哈米尔et al ., 2020;<一个href="#B41">沃尔特斯et al ., 2020;<一个href="#B21">Kusmakar et al ., 2021)。

在一系列的论文(<一个href="#B18">Holloway et al ., 2014;<一个href="#B14">Fossion et al ., 2017;<一个href="#B2">Angelova et al ., 2020 a;<一个href="#B21">Kusmakar et al ., 2021),几个标记研究人工智能和CI使用7天的连续活动检测仪监测。自动分类的模型提出了急性失眠从正常的睡眠<一个href="#B2">Angelova et al ., 2020 a从床上伴侣)和慢性失眠的人(<一个href="#B21">Kusmakar et al ., 2021)不需要睡眠日记。

分形分析技术首次实现(<一个href="#B18">Holloway et al ., 2014使用actigraphic数据)来研究急性失眠。功率谱和去趋势波动分析(DFA)被用来寻找1 /f比例,这意味着信号的功率与频率由一个逆幂律f。1 /f比例与时间序列的长程相关性和高复杂性(<一个href="#B40">Wagenmakers et al ., 2004),由复杂性参数测量<我nl我ne-formula id="inf1"> $\sim 1$ 。得出结论:1 /变化f−类型的扩展在夜间信号的个体急性失眠健康对照组相比,在0.75 - -1.25范围对应的时间序列的长程相关性,由于增加了夜间微觉醒。健康对照组复杂性参数显示在0.5 - -0.75的范围,与积极但在时间序列较弱的相关性。昼夜节律的影响也对个人的人口调查急性失眠使用完整的昼夜活动检测仪(健康对照组相比<一个href="#B14">Fossion et al ., 2017)。后来的研究表明,失眠患者的高度警觉状态可能表明增加心血管疾病的风险(<一个href="#B22">Laharnar et al ., 2020)。工作(<一个href="#B2">Angelova et al ., 2020 a;<一个href="#B21">Kusmakar et al ., 2021)提出的自动模型区分急性失眠从正常的睡眠和慢性失眠从床上伙伴使用活动检测仪数据。模型是基于远离机器学习算法,第一层是分类器和第二层优化。为了区分从一个健康的睡眠失眠,每晚的模型首先预测质量的睡眠对每个人来说,紧随其后的是个人失眠的分类或正常的睡眠类型。从健康的睡眠模式差异化AI精度80%,敏感性76%,特异性92%。第二个模型是区分词和床上伴侣(<一个href="#B21">Kusmakar et al ., 2021)。

出于AI和词之间的差异和我们的成功模型分类从健康的睡眠失眠,在这篇文章中,我们更进一步,开发一个健壮的模型来区分AI和CI。我们有两个睡眠研究的数据。考虑到数据的局限性和挑战,我们假设:

假设1:。我们的模型可以区分急性失眠从慢性失眠。Ultimately, we propose a new automatic model to differentiate between AI and CI. Furthermore, we demonstrate the observed changes in CI patterns of actigraphy recordings are smaller compared to patterns for individuals with AI and more similar to bed partners and healthy controls. We speculate that:

假设2:。观察到的变化模式的CI和艾城的人可能会出现因为稳态驱动调整在患有慢性失眠,失眠对那些急性时,改变合成急性失眠仍过于原始和有机体和各自的自我平衡的监管还没有适应这些变化。本文组织如下。第二节描述数据、描述性统计特征提取方法和机器学习模型的设计。结果和分析给出了在第三节和第四节中讨论,验证我们的假设,其次是我们的结论在第五部分。

2方法

2.1数据

我们的分析的个体急性失眠(AI)雇佣活动检测仪从公开数据时间序列数据集(<一个href="#B18">Holloway et al ., 2014)。最初的研究收集的数据是由格拉斯哥大学伦理委员会批准。慢性失眠(CI)的数据集是获得更大的临床试验(项目休息;澳大利亚新西兰临床试验注册登记:ACTRN12616000586415)和莫纳什大学的人类研究伦理委员会批准<一个href="#B24">Mellor et al ., 2019)调查行为干扰,因为睡眠的伙伴(<一个href="#B24">Mellor et al ., 2019;<一个href="#B41">沃尔特斯et al ., 2020)。个人数据的子集与慢性失眠和床co-inhabiting伴侣这里使用公开可用的(<一个href="#B3">Angelova et al ., 2020 b)。

通常,老年人随着年龄的增长<我nl我ne-formula id="inf2"> $>$ 60年有更早的睡觉和起床时间,作为他们的昼夜节律是先进的。睡眠结构变化包括花更大比例的时间在不同的睡眠阶段,表明减少深,振兴在肤浅和短暂的睡眠(睡眠和海拔<一个href="#B35">罗德里格斯et al ., 2015)。此外,老年人往往短时间睡眠时间比年轻的同行。为了排除老化的影响正常的睡眠和失眠,从成人的年龄,我们只包括数据<我nl我ne-formula id="inf3"> $\le 60$ 年我们的分析。

第一个数据集已经49岁成年人(年龄:18 - 60年)包括22无症状的健康对照组(HC)(平均年龄27.82±5.55年)和27个人AI(平均年龄30.74±11.16年)。第二个数据集收集集团的65名成年人(年龄:18 - 60年)包括32个成年人患有CI(平均年龄43.06±11.81年)和各自的床上伙伴(BP)(平均年龄42.73±12.55年)。两组年龄匹配,因为合作伙伴的地位。在这里,我们主要是对人工智能和CI组感兴趣,但也提供描述健康组比较可以。

人工智能数据集,控制群体由自称健康受试者没有睡觉,已知问题和失眠人群(临床评估)没有已知的伴随疾病。所有受试者被要求留在床上10点到第二天早上8点之间。然而,这并没有禁止这个话题在晚上10点之前睡觉早上8点后或离开床。一个图上的设备(AW4,剑桥大学脑科学,pre - 2014)被用来收集数据从成人急性失眠和睡眠健康。数据收集了两个星期,然而不是所有受试者完成整个周期2周。大多数人年轻的成年人(年龄:18-40年)的数据完成后1周。此外,图上缺乏检测灯的功能,这使得很难计算准确的信号两个传统睡眠参数,即睡眠延迟和睡眠效率,从人工智能数据集。Respironics光谱图上Pro和Actiware软件(Respironics、弯曲或美国)被用来收集和预处理CI数据集。这个设备的功能检测熄灯。个人与CI和co-inhabiting床上伴侣穿1周的设备在任何时候。

在本文中,我们结合了两个数据集和集成活动数量超过1分钟时代的7个晚上活动检测仪数据。对象的总数,男性和女性的数量,平均年龄与标准偏差(他)和夜晚的总数记录用于构建模型给出了<一个href="#T1">表1。数据流程图所示包含/排除<一个href="#F1">图1。

2.2数据预处理

Night-actigraphy数据(从晚上10点到早上8点)用于本文提供的分析,重点是夜间活动。这也排除了嘈杂的未标记的日常活动所涉及的人,和主观偏见,作为研究的数据收集在一个不受控制的环境中。缺失的数据在每个活动检测仪(大约1%)时间序列是使用滑动窗口的移动平均法处理30分钟。对数变换(日志<年代ub>2点活动检测仪)是应用于时间序列进行进一步分析,以减少偏态分布对特征提取的影响。此外,由于两种不同的设备从两个不同的供应商被用来记录活动检测仪数据,对数变换也帮助记录在一个相似的范围。

图2介绍了原始和日志<年代ub>222个人改变了夜间活动检测仪的信号(最小可用的对象数量每组)每组词(紫色)、英国石油公司(绿色)、人工智能(红色)和HC(蓝色)。水平轴的长度,显示数据的长度从22小时7天记录受试者每晚10 h, 22×7×10 = 1540 h。固体黑色线绘制<一个href="#F2">图2描绘了意思,而虚线绘制数据的确定第25和第75百分位数。目视检查的情节在22日主题,很明显,对数转换活动的计数显示相同的范围为每个组词(成年人患有慢性失眠),英国石油公司(CI)床上伙伴,AI(成人急性失眠)和HC(健康控制)。因此,研究设计不受测量设备和影响为目的的这项工作,我们合并后的BP和HC组为一个健康组(HC + BP)。剩下的这篇文章中,我们将使用HC + BP呈现这结合健康对照组。

2.3实验设计

实验被设计用来在数据分析周期包括以下步骤:输入的原始数据,数据预处理,特征提取、机器学习模型和分类。工作流模型的人工智能和CI分类所示<一个href="#F3">图3。相似的模型是为其他组的:AI和HC + BP, CI和HC + BP、失眠(AI和CI) v / s HC + BP。

2.4特征提取

分析夜间活动检测仪我们从夜间提取统计和动力特性的信号。以下特性计算:算术平均值,标准差,互补累积分布,盘中可变性和稳定性、复杂性参数α计算使用DFA,幂律指数β从幂律,Higuchi分形维数(HFD)获得Higuchi算法,和香农熵(她)。此外,三个睡眠参数使用,总睡眠时间(TST),后入睡后(WASO),和睡眠比(SWR),可以从所有信号中提取。

由于没有具体的阈值后检测活动检测仪的信号的振幅(<一个href="#B27">纳塔尔et al ., 2014),我们使用一个振幅等于零来确定睡眠和识别后的振幅阈值大于零。

统计分析:执行统计分析来确定这两个数据集的总体视图。平均值和标准偏差计算从转换后的数据确定的平均方差和震级的成年人患有慢性失眠的晚上时间信号和各自的床上伙伴以及患有急性失眠和同龄健康对照组。

盘中的可变性(IV)计算非参数和流行在生理和actigraphic时间序列分析(<一个href="#B45">有意的et al ., 1990;<一个href="#B15">Goncalves et al ., 2015)。静脉应用于时间序列X_我,我= 1,……N每隔点采样,定义为:

在哪里<我nl我ne-formula id="inf4"> $\bar{X}$ 算术平均值接管所有的数据吗X。第四提供了重要信息的数量差异存在于时间序列,可以用来演示活动模式的变化。

盘中稳定(是)是如何稳定的节奏的估计时间序列在几个晚上。它在夜里显示了相似的模式。是计算的比例差异的平均活动模式的整体变化,根据

在哪里N数据点或值的总数,P每天每小时的数量意味着,<我nl我ne-formula id="inf5"> $\bar{X}$ 是所有数据的平均值X,<我nl我ne-formula id="inf6"> $\overline{X_{我}}$ 每小时平均值的数据吗X,X_我单个数据点,我= 1,…N。是0和1之间变化。0表示高斯噪声。较小的值显示高信号的变化(<一个href="#B45">有意的et al ., 1990;<一个href="#B5">布卢姆et al ., 2016)。

互补累积分布函数(CCDF):代表互补集体分配功能,统计力量估计技术,可以对时域数据被执行。如果概率估计P给定信号的功率F将超过指定的信号平均功率x。CCDF可以写成

CCDF强调了它提供的峰值或最大值信号功率的概率高于一定的价值。CCDF强调功率最大或峰值。的CCDF被认为是一个最重要的统计测量,它是用于广泛的应用程序。

功率谱分析(PSA)是经典的方法来调查任何信号的属性或特征(<一个href="#B16">Guzman-Vargas et al ., 2011)。它的主要目标是展示的主导频率为了证明周期的研究数据。PSA也调查了现有self-affinity或在实时信号或时间序列相关性。功率谱来源于数据使用傅里叶变换,然后寻求以下依赖:

在哪里年代(f)的权力,f是频率和β尺度参数。β从图的斜率计算对数的年代和f。斜率从图提供了一个获得洞察力的自相似性存在于信号。

的值范围β介于0和2是对生理和物理运动数据,0表示没有相关性(白噪声),1代表远程相关性,也称为1 /f噪音或粉红噪声,2表示短程相关性或随机漫步(布朗噪音)(<一个href="#B16">Guzman-Vargas et al ., 2011)。缩放参数之间的关系和相关性的信号了<一个href="#T2">表2。

去趋势波动分析(DFA)是一种有效的工具来研究统计自相关的规模和self-affinity不同信号(<一个href="#B29">彭et al ., 1994)。DFA消除了外部刺激本地趋势为了研究不规则的相关性(<一个href="#B37">希利·Macklem, 2004)。该方法是基于时间序列分割为更短(盒)相同的大小和拟合每个短时间序列的最小二乘直线。DFA计算信号的均方距离其本地趋势线尺度参数α。一个信号的复杂性在DFA分析使用F,定义如下:

在哪里N时间序列的长度,n盒子的尺寸,y(k)是综合时间序列y_n(k)代表当地的趋势。每个盒子然后使用相同的过程,建立一个当地平均波动之间的关系。然后使用双对数图确定有一个线性关系,说明是否存在自相似扩展,这是用参数α。

的尺度参数β从功率谱,确定α与DFA计算,都是用来揭示时间序列的相关性(<一个href="#B30">彭et al ., 1995)。值得注意的是,线性相关理论参数:β= 2α1,(<一个href="#T2">表2)。

Higuchi分形维数(HFD):曼德布洛特介绍了术语分形维数(FD) (<一个href="#B23">曼德布洛特et al ., 1983)来描述分形,它代表了自相似,无限的和复杂的模式对象。FD可以通过测量获得的变化比例,也用于调查一个信号的复杂性。在所有可用的算法来计算FD, Higuchi算法提供最精确的结果(<一个href="#B33">Raghavendra et al ., 2009)。根据Higuchi算法,从时间序列采取定期,x(1),x(2),x(3),……,x(N),构造一个新的时间序列,<我nl我ne-formula id="inf19"> $x_n^k$ 分成相等的k时间序列,定义如下,

在这里,n= 1,2,3,…。k(n是初始时间和k区间长度)和吗<我nl我ne-formula id="inf20"> $⌊。⌋$ 是一个整数函数代表最近的降低一个实数的整数值。曲线的长度l为每一个k给出了时间序列

在哪里N完整的时间序列的长度,<我nl我ne-formula id="inf21"> $⌊\frac{N-n}{k}⌋$ 是正常化的因素。这些碎片l_n(k)总结给分形曲线的长度l(k)。分形维数的值D估计是最好的斜率线性适合计算数据点吗<我nl我ne-formula id="inf22"> $\left\{\left(\mathrm{日志}\frac{1}{k},\mathrm{日志}l(k)\right)\right\}$ 。

的计算值D= 1意味着一个简单的曲线D= 2代表一个平面(<一个href="#B20">Klonowski et al ., 2004)。在一维理论分形运动之间的关系βFD,D1 <β≤3是由(<一个href="#B8">Cervantes-De la Torre et al ., 2013):

因此,对于白噪声,β∼0,D2.5∼,粉红噪声(1 /f相似),β∼1,D∼2,而对于短程相关性(布朗噪音)β∼2,D1.5∼(<一个href="#T2">表2)。真实的物理运动时间序列往往偏离理论分形和的关系<一个href="#e8">情商。主要用于指导。

香农熵(她):香农引入了信息熵的概念来衡量所传播的信息中包含的信息或信号(<一个href="#B38">香农,1948)。

根据香农的方法任何随机变量x(n)可以包含N可能的值,这些值的概率p₁,p₂、…p_N。她是根据定义:

在哪里N消息或信号的长度,或事件的总数/值,然后呢p_我的概率吗我事件/值。

Acigraphy-derived睡眠参数:睡眠参数测试,沃和夜间活动检测仪SWR计算信号(<一个href="#B26">Nakazaki et al ., 2014两个数据集)。SWR,睡眠比(<一个href="#B26">Nakazaki et al ., 2014;<一个href="#B21">Kusmakar et al ., 2021计算)由以下方程:

两个数据集,我们已经考虑了数据从7个晚上10点到早上8点。CI数据集,一个现代图上,观看的专有软件确定参与者去睡觉,结束后自动睡眠。时间在床上(TIB)计算了基于设备生成的休息间隔,WASO-as后时代的总和(活动计数不为零)睡眠发作()时间和睡眠之间,TST-as睡眠时代的总和(活动计数为零)所以和睡眠之间结束。人工智能的数据集,计算WASO开始(10点)和睡眠周期的结束(8点)和TIB的经验选为10 h。SWR计算<一个href="#e10">情商。两个数据集。

2.5机器学习模型

本研究提出了一种分类模型来区分个体与CI患者使用人工智能特性从活动检测仪中提取数据前面部分所描述的。被性别分层的数据训练集和测试集,以确保性别不适当调整。

我们贴上AI和CI个人在响应变量作为模型1和1的目的。标签数据集分为训练和测试数据集k倍交叉验证的方法。在这个过程中,模型训练k次使用(k−1)折叠的数据和使用剩余的褶皱作为测试集。在这项研究中,我们使用k= 5交叉验证。我们应用min-max正常化的训练数据集和记录的最小值和最大值,然后用于正常化相应的测试数据集。在每个迭代中,模型hyperparameters在Matlab优化使用auto-optimisation选项提供。此选项仅使用训练样本,发现hyperparameters减少5倍交叉验证的损失。然后测试数据集上的性能记录使用优化模型。消除随机抽样的影响,整个过程重复了五次。最后,平均每台机器学习模型的性能报告。<一个href="#F3">图3说明了5倍交叉验证过程。四个机器学习模型的基础上构建的k最近的邻居(资讯),支持向量机(SVM),朴素贝叶斯(NB)和随机森林(RF)算法。模型的性能评估使用的测试数据。由于少量的数据,没有足够的深度学习算法表现良好,和我们的需要explainability模型,只选择了传统的机器学习算法。

1)k最近的邻居(资讯)是广泛使用的非参数分类和回归分析方法(<一个href="#B13">修复和霍奇斯,1951年)。给定一个标签数据集和一个新的未标记的数据,它分配一个标签数据按照大多数标签中k最近的相邻数据点的数据。换句话说,它赋予新的数据值基于他们匹配程度的训练集的值。为目的的训练模型,之间的距离度量计算k最近的邻居。然后根据近邻分类数据。训练模型可以应用于分类新数据。

2)支持向量机(SVM)是一种流行的监督机器学习方法,这里使用AI和CI的分类。其目的是增加分离不同的集群数据投射到高维超空间,因此,简化线性分类分离超平面(<一个href="#B9">议会和Vapnik, 1995)。

3)朴素贝叶斯(NB)是一种有效的监督学习分类算法基于贝叶斯定理的假设存在一个特定的功能在一个类是“天真”完全独立(不相关的)的其他特性(<一个href="#B28">尼斯贝特认为et al ., 2009)。NB算法计算输出数据的基于条件概率。

4)随机森林(RF)是另一个著名的机器学习分类算法。这种方法适用于大型建设集决策树通过使用随机选择特性的培训与引导或装袋聚合数据集(<一个href="#B6">Breiman 2001)。射频方法生成结果通过计算从决策树结果的均值。射频模型提高了模型的精度,减少数据的过度拟合。

2.6性能指标

在构建分类模型和计算结果后,敏感性、特异性和准确性是采购标准方法(<一个href="#B32">权力,2020)来评估选择分类器的效率。这些标准措施决定通过比较预测类与地面真理和真阳性(计算TP),真正的底片(TN),假阴性(FN)和假阳性(《外交政策》),

1)准确性<我nl我ne-formula id="inf23"> $=\frac{TP+TN}{TP+TN+FP+FN}\times \mathrm{One\; hundred.}$ 正确检测到类的百分比;

2)敏感性<我nl我ne-formula id="inf24"> $=\frac{TP}{TP+FN}\times \mathrm{One\; hundred.}$ 正确地预测积极价值的百分比;

3)特异性<我nl我ne-formula id="inf25"> $=\frac{TN}{TN+FP}\times \mathrm{One\; hundred.}$ ,正确预测的比例是负值;

4)f值<我nl我ne-formula id="inf26"> $=2\frac{Prec我\mathrm{年代}我on\times Rec\mathrm{一个}ll}{Prec我\mathrm{年代}我on+Rec\mathrm{一个}ll}\times \mathrm{One\; hundred.}$ 。它代表了调和平均数的回忆(灵敏度)和精度,精度是正确的比例确定类(包括真和假阳性)所有正确的类。

第一个任务是分类急性与慢性失眠、急性失眠贴上“True”和慢性失眠是贴上“False”。然后,灵敏度提取的比例正确检测到人工智能的人特异性确认正确检测到个人与CI的百分比。精度提供正确的百分比检测个人的AI和CI。

AUC(曲线下的面积)是另一个重要的测量来评估性能的机器学习模型。AUC值代表一个模型类(之间的分辨能力<一个href="#B19">黄和凌,2005)。

Mann-Whitney U测试是一种非参数测试分析给定变量的均值,并检查给定数据的分布是否不同或相似的(<一个href="#B36">鲁克斯顿,2006)。的Mann-WhitneyU测试是由排名每个条件的数据,然后比较不同的两个队伍。因此,当这两个条件是不同的,那么大多数高级数据属于其中的一个条件,大多数低级。因此,排名也会大大不同。然而,如果两个条件相似,低和高排名将同样分配公平之间的两个条件,这将导致类似的等级总数。

3的结果

在本文中,我们使用了7个晚上夜间活动检测仪的数据提取功能使用第2部分中描述的方法。对数据进行对数转换考虑两个睡眠研究的数据收集,急性和健康的个体,和慢性失眠的个人和他们的合作伙伴,是用两种不同的设备。7个晚上的平均值用于训练和测试机器学习模型。

我们还改变了所有功能使用min-max转换的值(0,1)区间为了构建机器学习模型自动检测和分化的成人成人CI的人工智能。

算术意味着±标准差的计算功能7夜活动检测仪的AI, CI, HC的年龄<我nl我ne-formula id="inf27"> $\le 60$ 年有<一个href="#T3">表3。

3.1特性值

3.1.1统计特性

身体活动的振幅平均值的人工智能学科是高于CI和HC + BP的手段。这表明患者比与CI AI有更高的身体活动,支持我们<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。此外,健康睡眠的均值,而小于AI组的均值,类似于CI组的均值,支持我们的一部分<一个我d="Hypothesis_1" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_1">假设H1。所有三组的标准差(sd)非常相似。

盘中的可变性,第四,AI的人口大相比CI和HC + BP组。第四高价值的规定更醒来,和更多的体育活动,在夜间(<一个href="#B45">有意的et al ., 1990)。

盘中稳定,非常相似的CI和HC + BP组和小于AI组。互补累积分布函数的结果,CCDF,表明略大的AI值组与其他两组相比,的值是相似的。这在一定程度上支持我们<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。

3.1.2动力特性

的参数β,从功率谱计算,CI为AI是0.68和0.66,表明这两个人口也有类似的复杂模式略高的复杂性AI组。的值β为所有三个人口的1 /f噪音和表示时间序列的长程相关性的存在。

复杂性参数的平均值α表明,AI的体育活动组织更为复杂,因此必须采用更夜间活动,相比CI组。这支持我们<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。<一个href="#F4">图4演示了一个晚上的结果获得的DFA活动检测仪从一个单独的每组类似的年龄。

HFD Higuchi分形维数,显示了人工智能学科平均值1.88与1.85的CI科目。它表明1 /f行为(<一个href="#T2">表2),正如预期的那样,是在协议与PSA和DFA的结果β和α分别。HFD价值更高的人工智能可能是由于夜间醒来的这组相比,CI和HC + BP。这部分支持<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。

香农熵,她展示了一个在AI组略高于平均值相比,CI和HC + BP组可能表明更多的夜间扰动。

图5显示了箱形图的统计、动力和睡眠研究信号的特点。这说明人工智能的晚上时间信号组有更多的变化,证明的统计特性,提出更多的晚上时间体育活动人工智能学科相比,那些遭受CI,进一步支持我们的<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。

3.1.3睡眠参数(功能)

三个睡眠参数被计算为所有三组(AI、CI和HC + BP)。的结果<一个href="#T3">表3显示的平均在几分钟内结核菌素AI组小于的CI组,进而小于一个HC + BP。

平均后入睡后,WASO AI组最高,其次是WASO CI和HC + BP,具有一致的模式大WASO失眠的患者相比,健康的睡眠。

SWR,睡眠后比是计算为所有个人7夜活动检测仪和平均结果<一个href="#T3">表3。当SWR AI组几乎是两倍的CI组相比,这可能是由于要求呆在床上,而实际上他们不睡觉,实施的研究。我们注意到相对较大的标准差为AI组对所有三个睡眠参数,这可能是由于相同的协议要求。

的p与Mann-Whitney值,计算U测试,给出了<一个href="#T3">表3。p< 0.05表明,特征是统计学意义分类急性和慢性失眠患者之间的差别。因此,αHFD,沃和SWR高度显著区分两组。

计算AUC值的特性给出的最后一列<一个href="#T3">表3:AUC<年代ub>1是对人工智能与CI, AUC<年代ub>2人工智能与HC + BP, AUC<年代ub>3对CI和HC + BP和AUC<年代ub>4失眠(AI和CI)与HC + BP。否定用AUC值应用于功能<我nl我ne-formula id="inf29"> $<0.5$ (报告的区别的能力特性在0.5 - 1范围内)和相应的值与表中*表示。

关于人工智能和CI组,只有两个功能,α和HFD AUC值相对较高<年代ub>1分别为0.86和0.77,作为单一标记能够区分AI和CI组。然而,随着AUC<年代ub>1的值α和HFD不是足够高我们包括AUC的其他特性<年代ub>1在建筑模型> 0.5。

AI和HC + BP组αAUC最高<年代ub>2值为0.76,AUC<年代ub>2的其他特性值介于0.5和0.6,因此无法区分AI和HC + BP组有效。例CI和HC + BP,所有功能AUC<年代ub>3值在0.5到-0.6之间,这太低的单一特征检测两组。这也可以观察到的AUC<年代ub>4值。我们在构建模型包括所有功能。

3.2机器学习算法的分类

首先,我们考虑的模型,将人工智能与CI区分开来。在模型的流程图如图所示<一个href="#F3">图3,我们训练和测试四个机器学习算法,即再邻国(资讯),支持向量机(SVM),朴素贝叶斯(NB)和随机森林(RF),确定最佳模型对人工智能和CI进行分类。

使用机器学习的主要动机是证明我们<一个我d="Hypothesis_1" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_1">假设H1,即我们的自动模式可以区分AI和CI组。

两组不同的特性被用来开发模型。第一个特性集包括所有的功能,如图所示<一个href="#T3">表35统计4动力和actigraphy-derived睡眠参数测试,WASO SWR。后者包括调查他们的影响分类的准确性。第二组的特性包括9功能,5统计和4动力。睡眠参数被排除在外,以减少计算这些参数的效应,不同的方法从不同的设备可以对分类。这种方法一个重要的好处是,这些特征是独立于类型的仪器测量信号和可能的睡眠差异协议。5倍交叉验证用于验证每个模型。此外,我们执行的机器学习模型的5倍,平均精度超过两套迭代计算的功能。结果给出了<一个href="#T4">表4、左四列12特性,右四列9特性。

结果9特性(<一个href="#T4">表4,对部分)表明,SVM模型达到了最高的81%,总体精度非常均衡的敏感性为77%,特异性为86%。这是紧随其后的是资讯,NB和射频。射频产生了78%的准确率与平衡的敏感性和特异性。然而NB和资讯获得区分AI和准确性79% CI组相似,但资讯更平衡的敏感性和特异性。算法的性能,使用12个特性,给出<一个href="#T4">表4,剩下的部分。支持向量机模型仍是表现最好的模型。它完成了81%的准确率,均衡的敏感性为73%,特异性为89%。其次是资讯、射频和NB的准确性79%,分别为78%和78%。NB表现糟糕的准确性为78%,敏感性为64%,特异性为91%。我们得出结论,减少性能和精度之间的平衡,敏感性和特异性是由于增加睡眠参数作为额外的三个特性(CI组的精确计算,但近似的AI组)。

我们使用SVM模型计算的准确性,特异性和灵敏度为给定数量的所有可能组合的夜晚7个晚上的数据。<一个href="#F6">图6表明,支持向量机模型的性能改善和增加晚上的数量包括在夜间活动检测仪。少于四个晚上的活动检测仪导致性能降低。至少需要4或5晚上活动检测仪来实现中值的准确性,至少75%的敏感性和特异性,至少5天提供一个更加平衡的性能。这进一步支持我们之前的论文(所示的结果<一个href="#B21">Kusmakar et al ., 2021)。

机器学习算法的性能表明,表现最好的模型,支持向量机,可以区分AI组从CI组,具有非常高的精度81%平均7天活动检测仪。这个模型可以划分两组相对较少的参数(9)从信号中提取。这证实了我们的<一个我d="Hypothesis_1" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_1">假设H1。此外,我们建议为常规SVM 9特性测试、统计和动态特性是客观测量,直接从信号中提取,而不取决于睡眠的协议。为了研究完全我们的<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2,我们检查了几个设计模式分类的其他军团的组合,即人工智能v / s HC + BP, CI v / s HC + BP和失眠(AI和CI) v / s HC + BP。我们进行了分类与9和12个功能类似交叉验证后在前面的情况。<一个href="#T4">表4说明了结果。

在人工智能和健康人群(HC + BP),结果表明,表现最好的模型,NB 9特性,可以区分AI和健康组与准确性74%,NB 12密切匹配的功能,精度72%,敏感性37%,特异性89%。

考虑CI和健康人群,表现最好的模型,支持向量机与12个功能,精度较低64%,敏感性和特异性不平衡,从平均7个晚上的活动检测仪。这表明CI组少不同HC + BP与AI相比,支持<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。此外,结合人工智能和CI在一个失眠组,比较HC + BP, SVM模型可以区分失眠与健康组与低精度为62%。这证实了我们之前的结果的分类失眠从健康的睡眠不能准确使用平均每晚actigraphic数据在多个夜晚的睡眠必须单独分类。我们已经开发出精确模型等分类失眠和健康的睡眠在我们之前的工作<一个href="#B2">Angelova et al ., 2020 a;<一个href="#B21">Kusmakar et al ., 2021)。

4讨论

可戴活动检测仪设备允许移动设备收集活动数据在实时环境中。本文提出了数据分析和分类multi-night体力活动与两个不同的活动检测仪设备收集的数据在两个研究:急性失眠的研究和健康对照组和慢性失眠症的研究和健康的床上伴侣。我们只包含数据从个人从18岁years-60年为了避免老龄化对睡眠质量的影响。

数据清洗和预处理和缺失数据估算。健康对照组和床上的伴侣结合在一个健康的群体。清洗和数据转换后,我们推导出三组的特性图上信号:统计特性,动态特性和actigraphy-derived睡眠参数。从信号中提取的值特性,表明AI组有更多的体育活动可能在夜间由于较强的体育活动相比CI组。这支持<一个我d="Hypothesis_1" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_1">假设H1。此外,所示的特性的平均值<一个href="#T3">表3表明,CI的夜间活动的体育活动,而不到的人工智能,更类似于HC + BP。这可能是由于适应干扰睡眠CI的个人。这支持<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。

的p(AUC值和AUC值<年代ub>1)的提取的特征表明,人工智能和CI组,除了两个特性,即复杂性参数α和Higuchi分形维数HFD,没有其他单一的特性是能够区分AI和CI组。然而,他们的auc没有足够高,使它们可靠的单一标记的诊断工具。区分AI和HC + BP集团,AUC<年代ub>2显示下降的重要性α和HFD。没有重要的突出特性CI v / s HC + BP和失眠v / s HC + BP组由AUC如图所示<年代ub>3和AUC<年代ub>4分别为(<一个href="#T3">表3)。

这需要开发机器学习算法中两套功能提交:第一组包括9客观特性,5统计和4动力特性,直接从信号中提取,和第二组包含12个功能,三个睡眠参数,从信号中提取,添加到9统计和动态特性。

四个机器学习算法部署将两组AI和CI组特性和分类。算法选择资讯,NB、射频和支持向量机。地面真理对于AI和CI组,用于这些机器学习模型、基于人工智能的临床评估和CI的个人。机器学习模型能够有效区分急性和慢性失眠。

表现最好的算法支持向量机的准确性达81%和9特性(<一个href="#T4">表4)。支持向量机还演示了一个很好的平衡精度与敏感性和特异性,并证明了我们<一个我d="Hypothesis_1" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_1">假设H1,即我们可以区分急性失眠的慢性失眠组仅使用身体活动数据。

最好的模型支持向量机的性能,以及所有剩余模型,略减少第二组特性时使用的算法,其中三个睡眠参数,结核菌素,WASO SWR,被添加到9第一组的特点。这可能是由于计算的准确性的睡眠参数不同的录音设备。

我们还指出,睡眠参数的差异在人工智能研究中,与相应的参数在CI的研究(<一个href="#T3">表3)可能是由于不同的协议来呆在床上在两项研究中使用。使用旧图上(2014年以前),没有检测到熄灯的能力,也影响的准确性产生睡眠参数信号的人工智能和HC + BP组。

我们研究了人工智能的分类和健康组。表现最好的模型能够区分AI和健康睡眠的准确性达74%。CI和HC + BP的分类显示一个微妙的区别词和基于平均健康睡眠的7-night actigraphic数据。这进一步支持<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2,CI个人可能变得更加适应失眠相比与人工智能的改变合成急性失眠仍过于原始和有机体和各自的自我平衡的监管还没有适应这些变化。

此外,这些结果表明,平均actigraphic 7天收集的数据并不是一个合适的方法来区分从一个健康的睡眠,失眠,失眠患者可能有好的以及坏的夜晚的睡眠和每天晚上必须单独分类。这证实了考虑失眠(AI + CI) v / s HC + BP组,模型实现只有62%的准确性(<一个href="#T4">表4)。

本研究的目的是区分AI和CI个人基于客观测量的物理运动,这是取得良好的准确性。此外,机器学习模型开发其他军团的组合表明,AI组显著差异超过CI组时都比HC + BP队列。

5的结论

睡眠通常是监管,这意味着一个保持清醒的时间越长,时间越长,更深的睡眠。健康疾病、年龄、社会和环境因素影响规律,睡眠的时间和质量。睡眠参数,如总睡眠时间(TST),后入睡后(WASO)和睡眠比(SWR)显式地在健康个体和成人不同的失眠。成人急性失眠睡眠时间少了相比成年人患有慢性失眠(见<一个href="#T3">表3)。频繁和长夜里醒着的时间中可以观察到AI和CI的夜间活动检测仪的信号。

研究探索的面积并不多稳态失衡对急性和慢性失眠(<一个href="#B31">鸽子和玻璃市,2006年)。我们统计分析和动态特性和actigraphy-derived睡眠参数从两个研究7夜活动检测仪的信号:急性失眠个人和健康对照组和慢性失眠的个人和他们的床上伴侣。

提取的特点表明,有规律的体育活动的差异的AI和CI组支持我们<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2,即观察到的模式变化的CI和艾城的人可能会出现因为体内平衡驱动调整CI患者失眠,而对于人工智能的人,变化仍然太原始了。

我们表现最好的机器学习模型,支持向量机模型,区分急性与慢性失眠一个优秀的准确性为81%,和平衡的敏感性和特异性。这证明了我们的<一个我d="Hypothesis_1" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_1">假设H1。此外,该模型还表示,变化在急性失眠更著名的比慢性失眠,当两人都比较相同的健康人群。这进一步支持<一个我d="Hypothesis_2" href="//www.thespel.com/articles/10.3389/statement-Hypothesis_2">假设H2。

这项工作的一个限制是数据收集,在两种不同协议和不同的设备被用来测量的物理运动。另一个限制是由于一些不平衡在参与者的年龄,大多数的HC + BP个人年龄在20至40岁的女性,与其他组60不等。原因是数据收集的主要目的在人工智能和CI研究没有分化的AI CI,这些数据被重用为当前工作作为辅助数据。

同时,这项工作所示一个明显的优势是,仔细的数据预处理和特征提取,可以开发一个机器学习模型能够区分急性和慢性失眠与精度高、敏感性和特异性,收集的数据的基础上,用不同的戴活动检测仪设备。这个模型代表一个重要我们全面套失眠预审和分类模型,结合我们之前开发的模型检测从正常的睡眠失眠(<一个href="#B2">Angelova et al ., 2020 a;<一个href="#B21">Kusmakar et al ., 2021)。模型的高度准确性使它适合进一步发展预审失眠在家庭环境的工具。

数据可用性声明

公开的数据集进行分析。这些数据可以在这里找到:<一个href="https://doi.org/10.5061/dryad.b8gtht7bh">https://doi.org/10.5061/dryad.b8gtht7bh;<一个href="https://royalsocietypublishing.org/doi/suppl/10.1098/rsif.2013.1112">https://royalsocietypublishing.org/doi/suppl/10.1098/rsif.2013.1112,补充材料。

道德声明

涉及人类受试者的研究回顾和批准:莫纳什大学人类研究伦理委员会批准。cf16/276 - 2016000125慢性失眠症的研究;格拉斯哥大学伦理委员会批准急性失眠的研究。所有参与者签署知情同意。本研究使用两个数据集出版。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

概念化:老、SS和马。数据管理:老,我和SD。正式的分析:老、SS和马。调查:SR,党卫军,妈,射频,CK和YZ。方法:SR, SS、马和CK。监督:SS和马。原创作品草案:老、SS和马。Writing-review: SS、马、射频和CK。所有作者的文章和批准提交的版本。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用