Apa itu solusi tahap tidur EEG?
Solusi ini menghubungkan akuisisi EEG dan EOG/EMG opsional dengan pemeriksaan mutu, pembagian data, peninjauan label, pelatihan, inferensi, tampilan, dan uji penerapan dalam satu rantai berversi. Wake, N1, N2, N3, dan REM dapat menjadi target, tetapi kemampuan nyata hanya dikonfirmasi dengan data dan pengujian yang disepakati.
Arsitektur ujung ke ujung
Perangkat akuisisi dan model tidak dinilai terpisah; hubungan antara sinyal, label, perangkat lunak, lingkungan, dan penerimaan tetap dapat ditelusuri.
| Lapisan | Isi utama | Hal yang dikonfirmasi |
|---|---|---|
| Sinyal | EEG, EOG, EMG, gerak, napas, dan SpO2 opsional | Kanal, posisi, referensi, pemakaian, dan sinkronisasi |
| Perangkat akuisisi | Proteksi, AFE, ADC, kontrol, simpan, dan transmisi | Band, derau, saturasi, kehilangan, dan daya |
| Mutu data | Kontak, saturasi, listrik, artefak, dan kehilangan | Aturan, data mentah, pengecualian, dan versi |
| Label | Label tahap dari ahli atau perangkat acuan | Standar, kesepakatan, perubahan, dan pembagian subjek |
| Model | Praproses, pelatihan, inferensi, keyakinan, dan versi | Masukan, sumber daya, pembaruan, dan reproduksi |
| Aplikasi | Rekam, putar ulang, tahap, tinjau, ubah, dan ekspor | Hak akses, audit, format, dan API |
| Verifikasi | Uji independen, confusion matrix, metrik tahap, dan gagal | Sampel, metrik, ambang, dan protokol |
Sinyal dan perangkat keras
Kanal, posisi elektroda, EOG/EMG, sampling, penyimpanan, dan bentuk pemakaian diturunkan dari metode label dan perangkat target. Jika masukan dikurangi, konfigurasi itu dilatih atau diverifikasi ulang.
Perangkat keras mencakup proteksi, AFE, ADC, kontrol, daya, komunikasi, memori, status kontak, dan waktu peristiwa.
Perangkat lunak akuisisi dan label
Dapat mencakup konfigurasi, gelombang, rekam malam, peristiwa, bagian berkualitas rendah, label, perbandingan hasil otomatis dan acuan, riwayat koreksi, serta ekspor. Data mentah, hasil proses, label, dan versi model tetap terhubung.
Pengembangan model
Pelatihan dimulai setelah sinyal, jendela, praproses, skema label, pembagian per subjek, dan sumber daya target dibekukan. Subjek yang sama tidak boleh tercampur secara tidak tepat antara pelatihan dan uji independen.
Data publik dapat membantu pemilihan metode atau baseline, tetapi dapat berbeda pada perangkat, lead, populasi, dan label. Penilaian akhir memerlukan data perangkat dan skenario target.
Metrik
Selain akurasi total, nilai precision dan recall per tahap, Macro-F1, Kappa, confusion matrix, hasil per subjek atau perangkat, serta perilaku pada data buruk atau kanal hilang. Metrik dan ambang ditetapkan dalam protokol penerimaan.
Penerapan
Pilihan mencakup analisis offline, hampir real-time pada PC, ponsel atau edge, API cloud terkendali, atau gabungan. Latensi, komputasi, baterai, jaringan, privasi, pembaruan, dan pemeliharaan diuji bersama.
Penyerahan dan penerimaan
Ruang lingkup dapat mencakup persyaratan, arsitektur, dokumen perangkat keras, firmware, aplikasi akuisisi dan tinjau, kamus data, label, model, antarmuka inferensi, skrip evaluasi, hasil, dan batasan.
Versi perangkat, firmware, model, data, lingkungan uji, dan aturan pengecualian dicatat saat penerimaan.
Batas medis
Keluaran model tahap pengembangan digunakan untuk riset, analisis, atau validasi fungsi dan tidak otomatis menggantikan penilaian dokter atau diagnosis. Penggunaan klinis harus mengikuti persyaratan regulasi, mutu, risiko, verifikasi, dan registrasi.
Layanan pengembangan terkait
Jika hanya memerlukan jalur EEG, lihat pengembangan sensor dan sistem akuisisi EEG. Jika mencakup gerak, PPG, SpO2, napas, atau tekanan, lihat pengembangan sensor dan sistem data pemantauan tidur.
FAQ
Haruskah EEG, EOG, dan EMG direkam bersama?
Masukan ditentukan oleh tujuan, label acuan, batas pemakaian, dan metrik target. Pengurangan sinyal memerlukan pelatihan atau verifikasi ulang.
Bisakah menghasilkan Wake, N1, N2, N3, dan REM?
Lima tahap dapat menjadi target, tetapi label, data, pembagian, aturan kualitas, dan metrik harus dibekukan lalu diuji dengan data nyata.
Dapatkah data PSG yang ada langsung digunakan?
Periksa hak pakai, de-identifikasi, kelengkapan sinyal dan label, lead, sampling, kesepakatan penilai, distribusi subjek, dan pengecualian.
Bagaimana model dievaluasi?
Gunakan uji independen per subjek dengan confusion matrix, metrik tahap, Macro-F1, Kappa, dan hasil per kondisi; catat versi data, perangkat, dan model.
Dapatkah berjalan real-time pada perangkat?
Tergantung komputasi, memori, baterai, latensi, dan format model; build perangkat target harus menjalani uji regresi.
Dapatkah hasil digunakan untuk diagnosis?
Hasil pengembangan bukan diagnosis otomatis. Penggunaan klinis memerlukan jalur tersendiri untuk tujuan, regulasi, mutu, verifikasi, dan registrasi.