Annotation of Sleep Depth Index with Scalable Deep Learning Yields Novel Digital Biomarkers for Sleep Health

传统的睡眠分期将睡眠和清醒分为五个粗略的类别，忽略了每个阶段内微妙的变化。它提供的关于觉醒可能性的信息有限，可能会阻碍对失眠等睡眠障碍的诊断。为了解决这个问题，我们提出了一种基于深度学习的方法，可以使用现有的睡眠分期标签自动和可扩展地注释睡眠深度指数。我们的方法使用来自四个大型队列的一万多个记录的多项睡眠图谱进行验证。结果显示，睡眠深度指数的降低与觉醒可能性的增加之间存在强烈的相关性。几个案例研究表明，睡眠深度指数捕捉到比传统睡眠分期更微妙的睡眠结构。从整夜睡眠深度指数中提取的睡眠生物标志物在不同主观睡眠质量和失眠症状组之间展现出具有中等到大效应大小的统计显著差异。这些睡眠生物标志物也有望在预测阻塞性睡眠呼吸暂停症的严重程度方面发挥作用，特别是在严重病例中。我们的研究强调了所提出的连续睡眠深度注释方法的实用性，它可以揭示整夜睡眠中更详细的结构和动态，并产生有益于睡眠健康的新型数字生物标志物。

本论文试图通过深度学习方法，对睡眠深度指数进行自动标注，以更准确地诊断睡眠障碍和预测疾病的严重程度。传统的睡眠分期方法过于粗略，无法捕捉到睡眠深度的微妙变化。

本论文提出的深度学习方法可以对现有的睡眠分期标签进行自动标注，从而获得更加精细的睡眠深度指数。这个指数可以更好地反映睡眠结构和动态，并且可以用于预测睡眠障碍和疾病的严重程度。

论文使用了四个大型数据集进行验证，结果表明睡眠深度指数与觉醒概率存在强烈的相关性。睡眠深度指数可以捕捉到比传统睡眠分期更加微妙的睡眠结构。论文还提取了睡眠生物标志物，并展示了这些标志物在不同睡眠质量和失眠症状的群体中具有统计显著性。此外，这些标志物还可以用于预测阻塞性睡眠呼吸暂停症的严重程度。

最近的相关研究包括使用深度学习方法进行睡眠分期和睡眠质量预测的论文，如“DeepSleepNet: A Model for Automatic Sleep Stage Scoring based on Raw Single-Channel EEG”和“DeepSleep: A Novel Deep Learning Model for Automatic Sleep Stage Scoring based on Polysomnography”。