A Systematic Review and Meta-Analysis on Sleep Stage Classification and Sleep Disorder Detection Using Artificial Intelligence

睡眠对人们的身体和心理健康至关重要，良好的睡眠可以帮助他们集中精力进行日常活动。因此，包括睡眠模式和睡眠障碍在内的睡眠研究对于增进我们对个体健康状况的了解至关重要。睡眠阶段和睡眠障碍的研究结果依赖于多项睡眠监测和自我报告的测量，然后通过专家医生的临床评估进行评估。然而，睡眠阶段分类和睡眠障碍的评估过程在人工智能应用的帮助下变得更加方便，许多研究集中在各种数据集和先进算法和技术上，提供了改进的计算便捷性和准确性。本研究旨在提供一份全面、系统的文献综述和荟萃分析，以分析睡眠研究中不同方法及其结果，包括利用人工智能进行睡眠阶段分类和睡眠障碍检测的研究。在这个综述中，最初从不同期刊中选出183篇文章，其中80篇被列入明确的审查范围，时间跨度从2016年到2023年。脑波是睡眠分期和睡眠障碍研究中最常用的身体参数。卷积神经网络是34种不同人工智能模型中最广泛使用的，占27%。其他模型包括长短期记忆、支持向量机、随机森林和循环神经网络，分别占11%、6%、6%和5%。对于性能指标，准确度在最多的情况下被广泛使用，达到83.75%，F1分数为45%，Kappa为36.25%，灵敏度为31.25%，特异度为30%，还有其他指标。本文将帮助医生和研究人员了解人工智能在睡眠研究中的贡献以及他们计划工作的可行性。

本文旨在系统综述和元分析最近文献，分析使用人工智能的不同方法和其在睡眠研究中的结果，包括睡眠阶段分类和睡眠障碍检测。

本文使用不同的人工智能模型，以脑电波为主要参数，对睡眠阶段和睡眠障碍进行研究。其中，卷积神经网络是最常用的模型，其他模型包括长短期记忆、支持向量机、随机森林和循环神经网络。

本文总结了183篇论文，筛选出80篇进行详细研究，时间跨度为2016年至2023年。研究使用的主要参数是脑电波，最常用的人工智能模型是卷积神经网络。在性能指标方面，准确率是最常用的，最高可达83.75%。

近期的相关研究包括：1. “A comparative study of machine learning algorithms for sleep stage classification based on EEG signals”；2. “A deep learning approach for sleep stage classification using EEG signals”；3. “Sleep stage classification using EEG signals: a comprehensive survey and new investigation”等。