目的:开发和验证一种自动化方法,用于对新生儿重症监护病房中睡眠状态波动的床旁监测。方法:基于深度学习的算法是使用30个近期新生儿的长期(a)脑电图监测的53个EEG录音设计和训练的。使用来自30个多摄影记录的外部数据集对结果进行了验证。除了训练和验证单个脑电图通道安静的睡眠探测器外,我们还构建了睡眠状态趋势(SST),这是一种可视化分类器输出的床旁准备手段。结果:训练数据中安静的睡眠检测的准确性为90%,在4电极记录中获得的所有双极派生中,精度是可比的(85-86%)。该算法很好地概括了外部数据集,尽管信号推导不同,但仍显示81%的总体精度。 SST允许对分类器输出的直观,清晰可视化。结论:可以从单个EEG通道的高保真度中检测到睡眠状态的波动,并且可以将结果可视化为床边监视器中透明和直观的趋势。意义:睡眠状态趋势(SST)可以为护理人员提供对睡眠状态波动及其周期性的实时视图。
translated by 谷歌翻译