딥러닝을 이용한 액티그래피 데이터에서의 수면장애 예측

김경민; 박정호; 육순현; 김호성; 주은연

doi:10.13078/jsm.230028

추천

검색

자료유형: 학술저널

저자정보: 김경민 (성균관대학교 의과대학 삼성서울병원 신경과) 박정호 (Department of Neurology, Neuroscience Center, Samsung Medical Center, Sungkyunkwan University School of Medicine) 육순현 (USC Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California, Los Angeles) 김호성 (USC Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California, Los Angeles) 주은연 (삼성서울병원)

저널정보: 대한수면연구학회 Journal of sleep medicine Journal of sleep medicine 제21권 제2호

발행연도: 2024.8

수록면: 73 - 79 (7page)

DOI: 10.13078/jsm.230028

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

Objectives: The aim of this study was to classify polysomnography (PSG)-based sleep disorders using actigraphy data using a convolutional neural network (CNN).Methods: Actigraphy data, PSG data, and diagnoses were obtained from 214 patients from a single-center sleep clinic. Patients diagnosed with circadian sleep disorders, narcolepsy, or periodic limb movement disorders were excluded. From the actigraphy data, three types of data were selected from the first 5 days, namely, sleep-wake status, activity count, and light exposure per epoch. The data were processed into a two-dimensional array with four instances, namely, 24-hour full-day data and data for 6, 8, and 10 hours timepoints after sleep onset, and then analyzed. Using a CNN, we attempted to classify the processed data into PSG-based diagnoses.Results: Overfitting of the training data was observed. The CNN showed near-perfect accuracy on the test data, but failed to classify the validation data (area under the curve: 24-hour full-day data: 0.6031, 6 hours after sleep onset: 0.5148, 8 hours: 0.6122, and 10 hours: 0.5769).Conclusions: The lack and inaccuracy of data were responsible for the results. A higher sampling rate and additional ancillary data, such as PSG or heart rate variability data, are necessary for accurate classification. Additionally, alternative approaches to machine learning, such as transformers, should be considered in future studies.

#Sleep-wake disorder #Deep learning #Actigraphy

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)