Clustering and Data Augmentation to Improve Accuracy of Sleep Assessment and Sleep Individuality Analysis

最近，随着人们对健康意识的增强，新方法使得个人可以在家中监测睡眠。利用睡眠声音相对于智能手表等传统方法具有优势，它不会干扰睡眠，能够检测各种生理活动。本研究旨在构建一种基于机器学习的睡眠评估模型，提供基于证据的评估，例如由于入睡时频繁运动而导致的睡眠质量差。通过提取睡眠声音事件，使用VAE导出潜在表示，使用GMM进行聚类，并训练LSTM进行主观睡眠评估，可以在区分睡眠满意度方面达到94.8％的高准确度。此外，TimeSHAP揭示了不同个体的有影响力的声音事件类型和时间差异。

构建基于机器学习的睡眠评估模型，提供基于证据的评估，如因入睡时频繁移动而导致的睡眠质量差。

利用睡眠声音提取睡眠事件，使用VAE获取潜在表示，使用GMM进行聚类，使用LSTM进行主观睡眠评估，使用TimeSHAP揭示不同个体的影响声音事件类型和时间上的差异。

实验结果表明，该模型在区分睡眠满意度方面的准确率高达94.8％。论文使用了非侵入式的方法来监测睡眠，并且相比于智能手表等传统方法，利用睡眠声音具有更多的优势。论文还提供了一些值得深入研究的方向。

近期的相关研究包括：1.《基于深度学习的睡眠分期方法》；2.《使用深度学习进行睡眠阶段分类的研究》；3.《基于深度学习的睡眠质量评估方法》。