DOD-H, DOD-O

本研究介绍了两个公开的多评分睡眠数据集：DOD-H（Dreem开放数据集-健康）和DOD-O（Dreem开放数据集-阻塞性）。DOD-H由25名健康成人志愿者的记录组成，而DOD-O则由55名患有阻塞性睡眠呼吸暂停（OSA）的患者的记录组成。两个数据集均由来自不同睡眠中心的5名经验丰富的睡眠技术专家进行评分。这些数据集用于开发和评估自动睡眠分期算法，旨在模拟临床环境中的性能。

This study introduces two publicly available multi-scored sleep datasets: DOD-H (Dreem Open Dataset-Healthy) and DOD-O (Dreem Open Dataset-Obstructive). DOD-H consists of recordings from 25 healthy adult volunteers, while DOD-O comprises recordings from 55 patients diagnosed with obstructive sleep apnea (OSA). Both datasets were scored by five experienced sleep technologists from different sleep centers. These datasets are used to develop and evaluate automated sleep staging algorithms, aiming to simulate performance in clinical environments.

搜集汇总

数据集介绍

构建方式

DOD-H和DOD-O数据集是两个公开可用的睡眠数据集，分别包含25名健康志愿者和55名患有阻塞性睡眠呼吸暂停(OSA)的患者的多导睡眠图(PSG)记录。这些记录由来自不同睡眠中心的5名经验丰富的睡眠技术人员进行评分，以确保评分的多样性和一致性。为了解决传统自动化方法仅与单个人类评分者进行比较的问题，本研究开发了一个框架，用于将自动化方法与多个人类评分者的共识进行比较。通过这个框架，研究者在DOD-H和DOD-O数据集上对几种主流的自动化睡眠分期方法进行了基准测试，并与一种新的深度学习方法SimpleSleepNet进行了比较。SimpleSleepNet在两个数据集上都取得了最先进的性能，并且与其他模型相比，参数数量更少，效率更高。

特点

DOD-H和DOD-O数据集的主要特点包括：1）包含健康志愿者和OSA患者的PSG记录，涵盖了不同睡眠状态的人群；2）每个数据集都由5名来自不同睡眠中心的睡眠技术人员进行评分，以模拟真实世界的评分多样性；3）数据集被设计用于评估自动化睡眠分期方法，特别是与多个人类评分者的共识进行比较；4）数据集被用于评估和比较现有的自动化方法，包括新的深度学习方法SimpleSleepNet，该方法在两个数据集上都取得了最先进的性能。

使用方法

DOD-H和DOD-O数据集的使用方法包括：1）数据预处理：对PSG信号进行滤波、重采样和归一化处理；2）特征提取：使用短时傅里叶变换(STFT)将信号转换为时频图；3）模型训练：使用多种自动化睡眠分期方法对数据进行训练，包括深度学习模型SimpleSleepNet；4）模型评估：使用多个评价指标，如F1分数、准确率和Cohen's Kappa系数，对模型的性能进行评估；5）模型比较：将不同方法的性能与人类评分者的共识进行比较，以评估自动化方法的准确性和可靠性。

背景与挑战

背景概述

睡眠阶段分类在睡眠障碍诊断中占据着重要的地位，它依赖于训练有素的睡眠技术人员对多导睡眠图（PSG）记录的视觉检查。然而，这种人工评估方法耗时且昂贵，且不同评估者之间的评分一致性相对较低。为了解决这一问题，研究人员开发了自动化的睡眠阶段分类方法。Dreem Open Datasets (DOD) 数据集由 Dreem 公司的 Antoine Guillot、Fabien Sauvet、Emmanuel H During 和 Valentin Thorey 等人创建，旨在提供一个多评分睡眠数据集，以便于比较人类和自动化的睡眠阶段分类。DOD-H 数据集包括来自 25 名健康志愿者的记录，而 DOD-O 数据集则包括来自 55 名患有阻塞性睡眠呼吸暂停（OSA）患者的记录。这两个数据集均由来自不同睡眠中心的 5 名睡眠技术人员进行评分。该研究引入了一个框架，用于将自动化方法与多位人类评分者的共识进行比较，并使用该框架对主要文献方法与一种新的深度学习方法 SimpleSleepNet 进行了基准测试和比较。结果显示，许多方法在两个数据集上都达到了人类水平的性能，而 SimpleSleepNet 在 DOD-H 上达到了 89.9% 的 F1 分数，在 DOD-O 上达到了 88.3% 的 F1 分数，均优于人类评分者的平均性能。这一研究表明，最先进的自动化睡眠阶段分类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，因此在临床环境中可以考虑使用自动化方法。

当前挑战

DOD-H 和 DOD-O 数据集在睡眠阶段分类中面临着几个挑战。首先，人类评分者之间的评分一致性相对较低，这给自动化的睡眠阶段分类方法带来了挑战。其次，睡眠障碍患者，特别是患有 OSA 的患者，其睡眠模式更加复杂，这使得自动化的睡眠阶段分类方法更加困难。此外，现有的自动化方法大多针对单一信号进行训练和评估，这可能限制了其准确性。最后，由于缺乏标准化的数据集，比较不同自动化方法的性能成为一个挑战。为了解决这些问题，研究人员提出了一个新的框架，用于将自动化方法与多位人类评分者的共识进行比较，并使用该框架对主要文献方法与一种新的深度学习方法 SimpleSleepNet 进行了基准测试和比较。结果显示，许多方法在两个数据集上都达到了人类水平的性能，而 SimpleSleepNet 在 DOD-H 上达到了 89.9% 的 F1 分数，在 DOD-O 上达到了 88.3% 的 F1 分数，均优于人类评分者的平均性能。这一研究表明，最先进的自动化睡眠阶段分类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，因此在临床环境中可以考虑使用自动化方法。

常用场景

经典使用场景

DOD-H 和 DOD-O 数据集为睡眠分期分类提供了宝贵的数据资源，尤其在评估自动化睡眠分期方法的性能方面。这两个数据集分别由 25 名健康志愿者和 55 名患有阻塞性睡眠呼吸暂停 (OSA) 的患者的多导睡眠图 (PSG) 记录组成，并由 5 名来自不同睡眠中心的睡眠技术人员进行了评分。这种多评分方式使得研究人员能够更准确地评估自动化方法的性能，并与人类评分者进行直接比较。这些数据集已成为睡眠分期研究领域的基准数据集，用于开发和测试新的自动化睡眠分期算法。此外，它们还被用于研究自动化方法在临床环境中的应用潜力，例如在睡眠障碍的诊断和治疗中。

实际应用

DOD-H 和 DOD-O 数据集在实际应用中具有重要的意义。它们为开发高性能的自动化睡眠分期算法提供了数据基础，这些算法可以用于临床环境中的睡眠障碍诊断和治疗。此外，这些数据集还可以用于评估自动化方法在不同人群和设备中的性能，从而提高这些方法的准确性和可靠性。最后，DOD-H 和 DOD-O 数据集的公开可用性促进了该领域的知识共享和合作，有助于推动自动化睡眠分期技术在临床实践中的应用。

衍生相关工作

DOD-H 和 DOD-O 数据集衍生了许多相关的经典工作，对自动化睡眠分期技术的发展产生了重要影响。例如，基于这些数据集，研究人员开发了许多新的自动化睡眠分期算法，如 SimpleSleepNet，DeepSleepNet 和 SeqSleepNet，这些算法在 DOD-H 和 DOD-O 数据集以及其他公开数据集上取得了优异的性能。此外，这些数据集还被用于研究自动化方法在不同人群和设备中的性能，以及它们在临床环境中的应用潜力。这些工作为自动化睡眠分期技术的发展和应用奠定了坚实的基础，并推动了该领域的研究进展。