斯坦福大学发布的多模态睡眠分析工具 SleepFM – 开源版本

SleepFM指的是什么应用查看。

SleepFM 是由斯坦福大学开发并开放源代码的多模态睡眠分析工具，该模型利用了超过14,000名个体贡献的共计10万小时的睡眠数据进行训练，通过整合脑电波、心电图以及呼吸模式的信息，提供了详尽且全面的睡眠质量评估。其目标在于增强对个人睡眠状况分析的有效性和精确度。SleepFM 运用了对比学习的方法来改进对于不同睡眠阶段划分和检测阻塞性睡眠呼吸暂停等障碍的能力。该模型能够为临床诊断提供支持，并能嵌入至可穿戴设备中，用于用户的日常自我健康管理。其开放源代码的性质极大地促进了在睡眠医学领域的科研与应用工作的发展。

SleepFM的核心特性

• 睡眠周期的划分对个人的睡眠周期进行自动化识别与归类，涵盖觉醒、轻度睡眠、深度睡眠及快速眼动期四个阶段。
• 监测睡眠中的呼吸问题检测在睡眠中出现的呼吸问题，比如呼吸暂停及换气不足。
• 预测人群的统计数据特性通过分析生物信号来估计个人的年龄与性别。
• 信息查询利用某一生物信号来寻找与其相关的其它类型信号。
• 医疗支持支持临床医师解析睡眠监控信息，增强诊疗效率。
• 健康维护融合进可穿戴装置内，实现对个人睡眠健康状况的追踪与照料。
• 探究及药品研制提供对睡眠相关临床研究及药物疗效监控的支持。

SleepFM的工作机制

• 多种类型的数据整合通过整合BAS、ECG以及呼吸活动的信号，这些信息分别源自脑部、心臟及肺脏区域，并涉及到了19個數據通路。
• 比较学习架构SleepFM 研究了两种不同的对比学习框架：成对对比学习（Pairwise CL）和排除式对比学习（Omission-based CL）。在成对对比学习中，来自不同模态的正匹配项被拉近于潜在空间内，而负匹配项则被推开。而在排除式对比学习里，当创建用于对比的学习样本时，则是用两个输入与其余输入形成配对组合，因此可以从一个片段生成三个不同的样本配对。
• 自我监督的预先训练利用自监督学习技术，SleepFM 在进行预训练时无需依靠标记过的数据，而是借助精心制定的数据增强方案及对比损耗函数来进行特征的学习。
• 提高下游应用的效能通过预训练获得的特征被应用于各种后续任务中，包括但不限于睡眠周期识别及睡眠相关呼吸问题(SDB)的侦测。实验结果显示，SleepFM的表现优于传统直接训练的卷积神经网络(CNN)模型。

SleepFM项目的仓库位置

• Git存储库：可在GitHub上找到由rthapa84维护的sleepfm代码库，网址如下所示 https://github.com/rthapa84/sleepfm-codebase
• 关于arXiv的技术文章访问文档的链接已更新为：https://arxiv.org/pdf/2405.17766，以便获取最新的研究内容。

SleepFM的使用情境

• 医学鉴定帮助医疗专业人员及睡眠研究者高效精准解析睡眠监控信息，从而增强诊疗的精确度与速度。
• 关于睡眠的科学研究在睡眠医学的研究领域内，解析临床实验的数据、监控药物的疗效，并探究不同的睡眠模式及相关的睡眠障碍问题。
• 健康维护融合进可穿戴装置或是智能家居体系里，辅助用户追踪与提升其睡眠状况。
• 药品研发在研发新药及开展临床试验的过程中，用来衡量药物对改善睡眠效果的作用。
• 学习与培养在医疗教育培训里，用作辅助手段，以支持学员及行业人士掌握睡眠科学知识与辨识各类睡眠问题。
• 远端医疗服务在远距医疗服务中，向地处偏远的病人供给睡眠监控与评估的支持。