Sleep Staging from Airflow Signals Using Fourier Approximations of Persistence Curves

要約

睡眠ステージングは​​困難な作業であり、通常は夜間の睡眠研究中に採取された患者の脳波やその他の生体信号に基づいて睡眠技師によって手動で実行されます。
最近の研究は、自動化されたアルゴリズムを活用して、脳波信号ではなく被験者の気流信号に基づいて睡眠ステージングを実行することを目的としています。
これまでの研究では、トポロジカル データ解析 (TDA)、特に持続曲線のエルミート関数拡張 (HEPC) からのアイデアを使用して、気流信号を特徴付けていました。
ただし、有限次数 HEPC は部分的な情報のみを取得します。
この研究では、持続曲線のフーリエ近似 (FAPC) を提案し、この技術を使用して気流信号に基づいて睡眠ステージングを実行します。
私たちは、Nationwide Children’s Hospital Sleep DataBank (NCHSDB) から取得した 1,155 件の小児睡眠研究の XGBoost モデルを使用してパフォーマンスを分析したところ、FAPC 手法は HEPC 手法だけを補完する情報を提供し、ベースライン手法と比較してパフォーマンスが 4.9% 向上することがわかりました。

要約(オリジナル)

Sleep staging is a challenging task, typically manually performed by sleep technologists based on electroencephalogram and other biosignals of patients taken during overnight sleep studies. Recent work aims to leverage automated algorithms to perform sleep staging not based on electroencephalogram signals, but rather based on the airflow signals of subjects. Prior work uses ideas from topological data analysis (TDA), specifically Hermite function expansions of persistence curves (HEPC) to featurize airflow signals. However, finite order HEPC captures only partial information. In this work, we propose Fourier approximations of persistence curves (FAPC), and use this technique to perform sleep staging based on airflow signals. We analyze performance using an XGBoost model on 1155 pediatric sleep studies taken from the Nationwide Children’s Hospital Sleep DataBank (NCHSDB), and find that FAPC methods provide complimentary information to HEPC methods alone, leading to a 4.9% increase in performance over baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google