使用 SleepFM-2 从 200 万小时的睡眠中学习可迁移的人体生理学

睡眠通过捕捉大脑、心脏、肌肉和呼吸系统的协调活动，为夜间健康提供了一个窗口。我们推出了 SleepFM-2，这是一种睡眠基础模型，根据来自 26 个队列的 282,511 条多导睡眠图记录开发和评估，其中包括用于预训练的 235,865 条记录。这些数据涵盖了超过两百万小时的多模态生理学。与SleepFM相比，SleepFM-2改进了疾病预测和睡眠评分，支持觉醒、肢体运动和呼吸事件检测，并转移到可穿戴传感和主观睡眠表型。一个将 PSG 表示与年龄、性别和 BMI 相结合的模型满足了预先指定的区分和显着性标准，该标准针对随后在两个保留队列中记录的 215 名患者的 EHR 表型，其中包括一个在预训练期间未见过的卫生系统。对于 155 种表型，PSG 表示添加了人口统计学之外的可重复信息。 SleepFM-2 的性能也优于源自相同录音的 480 个特征基线。其疾病评分揭示了与西格玛带空间耦合减少和睡眠密度熵增加相关的可重复的主成分。冻结编码器在睡眠事件专家评分者的观察范围内执行，并转移到清醒脑电图、头带和入耳脑电图、手腕 PPG 和手腕加速度测量。它改善了六个加速测量队列的睡眠分期，并在英国生物银行中实现了与直接在加速测量上预训练的模型类似的疾病预测性能。最后，SleepFM-2 捕获了传统 PSG 总结无法恢复的主观睡眠的各个方面，特别是记录的夜间报告。这些结果表明，多模态睡眠生理学可以提供跨疾病、临床任务、传感器和主观体验的人类健康的可转移表示。