摘要
为将自动觉醒检测技术应用于支持睡眠实验室的实际工作，我们基于本大学医院睡眠实验室的日常临床数据，评估了一种经过优化的先进方法。为此，我们利用来自3423例患有不同睡眠障碍患者的多导睡眠图（polysomnograms）数据，训练并评估了一个机器学习模型。该模型采用U-net架构，以50 Hz的信号作为输入。我们将该模型与在公开数据集上训练的模型进行对比，并使用我们的临床数据集对这些模型进行评估，特别关注不同睡眠障碍对模型性能的影响。为进一步评估其临床相关性，我们设计了一项基于预测觉醒指数误差的评价指标。实验结果表明，我们的模型在精确率-召回率曲线下面积（AUPRC）最高可达0.83，F1分数最高可达0.81。值得注意的是，基于本院临床数据训练的模型未表现出年龄或性别偏倚，且在各类睡眠障碍患者中的表现与健康睡眠人群相比无显著差异。相比之下，在公开数据集上训练的模型则显示出不同程度的负面效应（通过Cohen's d计算），即睡眠障碍对模型性能存在轻微至中等程度的负面影响。综上所述，本研究证实，采用所提出的模型架构，可在本院临床数据上实现当前最先进的觉醒检测效果。因此，我们的研究结果支持一项普遍建议：若模型旨在应用于临床数据，应优先使用临床来源的数据进行训练，以确保模型的泛化能力与临床适用性。