A Multimodal Dataset of 21,412 Recorded Nights for Sleep and Respiratory Research

📄 arXiv: 2311.08979v1 📥 PDF

作者: Alon Diament, Maria Gorodetski, Adam Jankelow, Ayya Keshet, Tal Shor, Daphna Weissglas-Volkov, Hagai Rossman, Eran Segal

分类: cs.LG, eess.SP

发布日期: 2023-11-15

备注: Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2023, December 10th, 2023, New Orleans, United States, 14 pages

💡 一句话要点

提出多模态数据集以推动睡眠与呼吸研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态数据集 睡眠研究 呼吸暂停 个性化医疗 机器学习 生物医学 健康预测

📋 核心要点

  1. 现有的睡眠研究数据集往往缺乏多样性和深度，限制了对睡眠相关疾病的深入理解。
  2. 本研究通过收集来自7077名参与者的21412个夜晚的多模态数据，提供了丰富的睡眠与呼吸数据集。
  3. 数据集的构建显著提高了对体成分、骨密度等健康特征的预测能力，展示了其在个性化医疗中的应用潜力。

📝 摘要（中文）

本研究介绍了一个新颖且丰富的数据集，该数据集来自于使用FDA批准的WatchPAT-300设备进行的家庭睡眠呼吸暂停测试，涵盖7077名参与者的21412个夜晚。数据集包含三层睡眠数据：传感器的原始多通道时间序列、注释的睡眠事件和计算的汇总统计数据，包括447个与睡眠结构、睡眠呼吸暂停和心率变异性（HRV）相关的特征。我们提供了按年龄和性别分层的呼吸暂停/低通气指数（AHI）、睡眠效率、睡眠后觉醒时间（WASO）和HRV样本熵的参考值。此外，我们展示了该数据集在预测体成分、骨密度、血糖水平和心血管健康等多种健康相关特征方面的能力。这些结果表明，该数据集有潜力推动睡眠研究、个性化医疗和生物医学中的机器学习应用。

🔬 方法详解

问题定义：本研究旨在解决现有睡眠研究数据集缺乏多样性和深度的问题，限制了对睡眠呼吸暂停及其相关健康问题的研究。

核心思路：通过使用FDA批准的WatchPAT-300设备，收集来自7077名参与者的21412个夜晚的多模态睡眠数据，构建一个全面的数据集，以支持睡眠及呼吸研究。

技术框架：数据集包括三个主要模块：原始多通道时间序列数据、注释的睡眠事件和计算的汇总统计数据，涵盖447个特征，提供丰富的睡眠和健康信息。

关键创新：该数据集的创新之处在于其规模和多样性，能够提供更全面的睡眠模式和健康指标，超越了现有小规模数据集的局限性。

关键设计：在数据收集过程中，采用了高精度的传感器和标准化的测试流程，确保数据的准确性和可比性，同时提供了按年龄和性别分层的参考值。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该数据集在预测体成分、骨密度、血糖水平和心血管健康等方面的能力显著提升，提供了更为准确的健康评估指标，展示了数据集的实际应用价值。

🎯 应用场景

该研究的数据集可广泛应用于睡眠医学、个性化医疗和机器学习领域，帮助研究人员和临床医生更好地理解睡眠呼吸暂停及其对健康的影响。未来，该数据集有望推动相关疾病的早期诊断和个性化治疗方案的制定。

📄 摘要（原文）

This study introduces a novel, rich dataset obtained from home sleep apnea tests using the FDA-approved WatchPAT-300 device, collected from 7,077 participants over 21,412 nights. The dataset comprises three levels of sleep data: raw multi-channel time-series from sensors, annotated sleep events, and computed summary statistics, which include 447 features related to sleep architecture, sleep apnea, and heart rate variability (HRV). We present reference values for Apnea/Hypopnea Index (AHI), sleep efficiency, Wake After Sleep Onset (WASO), and HRV sample entropy, stratified by age and sex. Moreover, we demonstrate that the dataset improves the predictive capability for various health related traits, including body composition, bone density, blood sugar levels and cardiovascular health. These results illustrate the dataset's potential to advance sleep research, personalized healthcare, and machine learning applications in biomedicine.