SleepFM – 斯坦福大學開源的多模態睡眠分析模型

SleepFM是什麼

SleepFM 是斯坦福大學開源的多模態睡眠分析模型，基於超過14,000名參與者的100,000小時睡眠數據，通過融合大腦活動、心電圖和呼吸信號，提供全面的睡眠健康評估。旨在提高睡眠分析的效率和準確性。模型採用對比學習技術，優化睡眠階段分類和睡眠呼吸障礙檢測的準確性。SleepFM 能輔助臨牀診斷和研究，能集成到可穿戴設備中，用於個人睡眠健康管理。開源特性爲睡眠醫學領域提供了一個強大的研究和應用平台。

SleepFM的主要功能

• 睡眠階段分類：自動分析和分類個體的睡眠階段，包括清醒、淺睡、深睡和REM睡眠。
• 睡眠呼吸障礙檢測：識別睡眠期間的呼吸異常，如呼吸暫停和低通氣。
• 人口統計屬性預測：從生理信號中預測個體的年齡和性別。
• 數據檢索：通過一種生理信號檢索與之對應的其他模態信號。
• 臨牀輔助：輔助臨牀醫生分析睡眠監測數據，提高診斷效率。
• 健康管理：集成到可穿戴設備中，用於個人睡眠健康的監控和管理。
• 研究與藥物開發：支持睡眠相關的臨牀研究和藥物效果監測。

SleepFM的技術原理

• 多模態數據融合：結合 BAS、ECG 和呼吸信號，信號分別來自大腦、心臟和肺部，覆蓋了19 個數據通道。
• 對比學習框架：SleepFM 探索兩種對比學習框架，即成對對比學習（pairwise CL）和留一法對比學習（leave-one-out CL）。成對對比學習將來自不同模態的正匹配對在潛在空間中拉近，同時推開負匹配對。留一法對比學習則是在構建對比學習樣本時，將兩個輸入與剩下的輸入構成樣本對，從而從一個片段構建出三個樣本對。
• 自監督預訓練：通過自監督學習方法，SleepFM 在預訓練階段不依賴於標註數據，通過設計的數據增強策略和對比損失函數來學習數據的表示。
• 下游任務性能提升：預訓練得到的表示用於多種下游任務，如睡眠階段分類和睡眠呼吸障礙（SDB）檢測。SleepFM 的表現超過了傳統的端到端訓練的卷積神經網絡（CNN）。

SleepFM的項目地址

• GitHub倉庫：https://github.com/rthapa84/sleepfm-codebase
• arXiv技術論文：https://export.arxiv.org/pdf/2405.17766

SleepFM的應用場景

• 臨牀診斷：輔助醫生和睡眠專家快速準確地分析睡眠監測數據，提高診斷效率和準確性。
• 睡眠研究：在睡眠醫學研究中，分析臨牀試驗數據和監測藥物效果，以及研究睡眠模式和睡眠障礙。
• 健康管理：集成到可穿戴設備或智能家居系統中，幫助個人監控和改善睡眠質量。
• 藥物開發：在新藥開發和臨牀試驗中，用於評估藥物對睡眠質量的影響。
• 教育和培訓：在醫學教育中，作爲教學工具，幫助學生和專業人員學習睡眠生理學和睡眠障礙的識別。
• 遠程醫療：在遠程醫療環境中，爲遠離醫療中心的患者提供睡眠監測和分析服務。