一种用于EEG辅助增强单导联ECG睡眠分期的深度知识蒸馏框架
信号处理
2022-02-08 v2 人工智能
摘要
自动睡眠分期研究目前借助脑电图（EEG）信号完成。近来，基于深度学习（DL）的方法在该领域取得了显著进展，使自动睡眠分期达到接近人类的精度。然而，基于EEG的睡眠分期需要庞大且昂贵的临床设备。此外，安装需专家操作以及对受试者造成额外不便，使其在床旁场景中不受青睐。心电图（ECG）作为EEG的一种无侵扰替代方案更为合适，但其性能不出所料仍逊于基于EEG的睡眠分期。自然地，将知识从EEG迁移到ECG以最终提升模型在ECG输入上的表现会很有帮助。知识蒸馏（KD）是DL中著名的将知识从更优但可能更笨重的教师模型迁移到紧凑学生模型的概念。基于此概念，我们提出一种跨模态KD框架，利用通过EEG训练模型学到的特征来改善基于ECG的睡眠分期性能。此外，我们还对提出模型的各组成部分进行了多重实验，以深入理解蒸馏方法。本研究使用了来自蒙特利尔睡眠研究档案（MASS）的200名受试者数据。所提模型在4类和3类睡眠分期中加权F1分数分别提升了14.3%和13.4%。这证明了KD用于提升单通道ECG睡眠分期在4类（W-L-D-R）和3类（W-N-R）分类中性能的可行性。
引用
@article{arxiv.2112.07252,
title = {A Deep Knowledge Distillation framework for EEG assisted enhancement of single-lead ECG based sleep staging},
author = {Vaibhav Joshi and Sricharan Vijayarangan and Preejith SP and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2112.07252},
year = {2022}
}
备注
Preprint Only