跳到主要内容
返回时间线
arXiv来源发表:

睡眠呼吸暂停的多导睡眠图可以合成了:PSG-GAN一次生成四路32分钟信号,纯合成数据训出的评分模型仍能判读真实记录

核心概要

PSG-GAN把多导睡眠图的合成从单路短片段推进到多路长片段:它同时生成脑电、眼电、鼻压和光电容积脉搏波四路32分钟信号,并复现呼吸阻塞期间与之后的心率变化。用自动标注的纯合成数据从零训练的评分模型,在健康志愿者与呼吸暂停患者两个真实测试集上分别取得睡眠分期κ=0.71与0.63、呼吸事件分割κ=0.57与0.60。

Source-provided article image: From real to synthetic: PSG-GAN learns sleep apnea signal dynamics for AI training
arXiv

深度剖析

合成多导睡眠图不再局限于单路信号的短片段,而是可以按整段夜间记录的时间尺度同时生成脑电、眼电、鼻压和光电容积脉搏波四路信号。 此前的合成睡眠信号工作集中在单个信号、短时长片段上,没有覆盖睡眠障碍判读所依赖的跨信号动态。 生成数据与真实STAGES数据在脑电、眼电的delta、theta、alpha、beta相对频带功率上按睡眠阶段分布相近,自动判读出的呼吸暂停中位时长在真实与合成数据中分别为24秒与22秒。

模型学到的是信号之间的耦合,而不只是各通道各自的波形。 呼吸暂停判读依赖呼吸阻塞与心率变化之间的时序关系,单通道生成无法提供这种关系。 从合成光电容积脉搏波提取的心搏间期在呼吸事件期间与之后呈现与真实数据相同的先减慢、后加快趋势,但合成数据的事件期间与事件后中位心搏间期整体偏高,仅超过30秒的呼吸暂停在事件期间两者接近。

合成信号可以直接充当训练数据,让评分模型在真实临床记录上工作。 评分模型通常依赖人工标注的真实记录,而人工判读耗时、昂贵且评分者之间一致性有限。 仅用自动标注的合成数据从零训练的模型,在STAR-HV与STAR-SA测试集上睡眠分期κ为0.71与0.63,逐秒呼吸事件分割κ为0.57与0.60。

启示与展望

演示范围是四路信号、64 Hz采样、固定32分钟片段的合成,训练数据来自STAGES数据集,评测使用MESA、STAR-SA与STAR-HV三个真实数据集;作者提出将生成器扩展到可变长度片段以分析整夜记录,并把采样率提高到覆盖100 Hz以内的脑电gamma频段。

合成数据在REM睡眠的高频脉率变异性上与真实数据差异明显,中位相对高频功率为20.7%对30.3%;合成鼻压信号继承了训练数据中平坦或含噪的片段,作者认为这可能削弱合成模型在呼吸事件分割上的表现;匿名化程度尚未量化。