费城儿童医院(CHOP)11月11日发布消息称,其研究人员开发并评估了一组面向儿童可穿戴设备数据的机器学习睡眠—清醒分类器,目标是改善儿童睡眠研究中的测量一致性。研究论文已于10月24日在线发表于《Sleep》,因此此次新信息主要是机构对论文结果的公开解读,而不是一项新临床产品发布。CHOP新闻稿 期刊论文记录
研究纳入65名儿童,年龄为5.3至17.7岁。参与者完成一夜实验室多导睡眠监测,并在非惯用手腕佩戴GENEActiv传感器;研究人员以脑电图等医生判定的睡眠—清醒结果作为参照,训练并比较了8种机器学习方法。PubMed摘要显示,研究采用留一受试者交叉验证等方式评估模型,重点考察原始加速度数据能否用于更可靠的睡眠状态识别。PubMed摘要
CHOP称,针对儿科数据训练的长短期记忆网络(LSTM)分类器表现最强,整体优于传统睡眠算法和使用成人数据训练的机器学习分类器。新闻稿还称,该模型在样本覆盖的不同年龄、性别,以及有无阻塞性睡眠呼吸暂停的儿童中保持了较一致的表现。不过,现有公开材料没有给出完整的准确率、敏感度和特异度数字,不能据此判断模型已经适合临床诊断。
这项工作的价值主要在于减少不同可穿戴设备专有算法造成的不可比问题。研究若能进一步在更多儿童、不同设备和多夜居家场景中验证,原始传感器数据与儿科专用模型或可成为儿童睡眠队列研究的通用处理路径。当前证据仍来自规模有限的样本和特定传感器,且实验室单夜数据与真实家庭环境存在差异,因此更适合被理解为研究测量工具的改进,而非已完成商业化或医疗监管验证的产品。
对机器学习应用方而言,应重点关注三点:第一,训练数据是否真正覆盖目标人群,成人模型不能当然外推到儿童;第二,是否采用跨受试者验证,避免同一人的数据同时出现在训练集和测试集;第三,模型能否在不同设备、场景和人群中保持性能。该案例说明,垂直领域机器学习的竞争力不仅取决于模型结构,也取决于标注标准、数据代表性和外部验证质量。
参考来源:
- Children’s Hospital of Philadelphia Researchers Develop Machine Learning Classifier that Improves Sleep-Wake Measurement Using Wearables 2026-11-11
- The Sleep-Wake Classification Performance of Pediatric-Trained Machine Learning Algorithms for Raw Accelerometer Data 2026-10-24
由 AI 整理,仅供参考;请以原始来源为准。
帖子详情