摘要

睡眠阶段分类是诊断睡眠障碍的重要组成部分，依赖于经过培训的睡眠技师对多导睡眠图记录进行视觉检查。为了减轻这一资源密集型任务，已经设计了自动化方法。然而，这些方法通常仅与单一人类评分者的注释进行比较，尽管评分者之间的协议率仅为约85%。本研究介绍了两个公开可用的数据集，DOD-H包括25名健康志愿者，DOD-O包括55名患有阻塞性睡眠呼吸暂停（OSA）的患者。这两个数据集均由来自不同睡眠中心的5名睡眠技师进行了评分。我们开发了一个框架，用于将自动化方法与多名人类评分者的共识进行比较。利用该框架，我们对文献中的主要方法进行了基准测试和比较。此外，我们还开发并测试了一种新的深度学习方法SimpleSleepNet，该方法受到当前最先进方法的启发。我们证明了许多方法在这两个数据集中都能达到人类水平的表现。在DOD-H数据集中，SimpleSleepNet的F1分数为89.9%，而人类评分者的平均F1分数为86.8%；在DOD-O数据集中，SimpleSleepNet的F1分数为88.3%，而人类评分者的平均F1分数为84.8%。我们的研究表明，使用最先进的自动化睡眠分期方法在健康志愿者和患有OSA的患者中均优于人类评分者的表现。可以考虑在临床环境中使用自动化方法。