Mignot发作性睡病PSG数据

资源简介

Mignot发作性睡病PSG数据

【一句话概览】

Mignot Nature Communications 数据集包含一项自动睡眠分期项目的原始多导睡眠图数据，该项目利用神经网络分析约 3000 份正常与异常睡眠记录，实现睡眠分期自动评分，并生成比传统睡眠图信息更丰富的概率分布图。评分准确性在 70 名受试者中由六名评分员验证，最佳模型表现优于任何单个评分员，并可可靠评分至 5 秒而非 30 秒。基于异常睡眠阶段重叠的 T1N 标志物特异性达 96%、敏感性达 91%，加入 HLA-DQB1*06:02 分型后特异性升至 99%（来源 sleepdata.org）。

【数据集背景】

本数据集源站标题为《Mignot Nature Communications》。

【数据内容】

源站原始描述：The Mignot Nature Communications (MNC) dataset contains raw polysomnography data from an automated sleep staging project using neural networks. The piece was published in Nature Communications and the abstract is below. Analysis of sleep for the diagnosis of sleep disorders such as Type-1 Narcolepsy (T1N) currently requires visual inspection of polysomnography records by trained scoring technicians. Here, we used neural networks in approximately 3,000 normal and abnormal sleep recordings to auto…

中文译文（机器翻译，仅供快速理解，请以原文为准）：Mignot Nature Communications（MNC）数据集包含来自一个使用神经网络进行自动睡眠分期项目的原始多导睡眠图数据。该文章发表在《Nature Communications》上，摘要如下。目前，用于诊断诸如1型发作性睡病（T1N）等睡眠障碍的睡眠分析，需要由经过培训的评分技术人员对多导睡眠图记录进行目视检查。在这里，我们在约3，000份正常和异常睡眠记录中使用神经网络来自动化睡眠分期评分，生成了一张睡眠密度图——一种比经典睡眠图传达更多信息的概率分布。睡眠分期评分的准确性在70名受试者中得到了验证，并由六名评分者进行了评估。最佳模型的表现优于任何单个评分者（87%对共识）。它还能可靠地对短至5秒而非30秒评分时段的睡眠进行评分。一种基于异常睡眠阶段重叠的T1N标志物实现了96%的特异性和91%的敏感性，并在独立数据集中得到验证。加入HLA-DQB1*06:02分型后，特异性提高至99%。我们的方法可以减少在睡眠诊所花费的时间，并实现T1N诊断的自动化。它还为使用家庭睡眠研究诊断T1N开辟了可能性。美国国家睡眠研究资源中心感谢Emmanual Mignot分享这些数据。

【主题与分类】

主题标签：polysomnography、sleep staging、neural networks、Type-1 Narcolepsy、T1N、hypnodensity、EDF、sleep。

【适用方向】

时序数据适用于疾病进展预测、生理信号监测与事件发生的时序建模。

【获取与许可】

源站页面：https://sleepdata.org/datasets/mnc