评估长程相关性对基于深度学习的睡眠分期的重要性
信号处理
2024-02-29 v1 机器学习
摘要
本研究旨在阐明长程相关性对基于深度学习的睡眠分期的重要性。研究围绕S4Sleep(TS)展开，这是一种最近提出的自动睡眠分期模型。该模型将脑电图（EEG）作为原始时间序列输入，并依赖结构化状态空间序列（S4）模型作为关键模型组件。尽管该模型在适中的15个输入时期上已经超越了最先进的方法，但最近的文献结果表明，纳入跨越数百个输入时期的极长相关性可能带来益处。在本投稿中，我们探索了通过系统性地扩大模型输入大小来实现进一步改进的可能性，预期能提高预测准确率。与文献中的发现相反，我们的结果表明，增加输入大小并不能显著提升S4Sleep(TS)的性能。这些发现，加上S4模型捕捉时间序列中长程依赖关系的独特能力，对极长程相互作用在睡眠分期中的诊断相关性提出了质疑。
引用
@article{arxiv.2402.17779,
title = {Assessing the importance of long-range correlations for deep-learning-based sleep staging},
author = {Tiezhi Wang and Nils Strodthoff},
journal= {arXiv preprint arXiv:2402.17779},
year = {2024}
}
备注
3 pages, 1 figure, Accepted at Workshop Biosignals, 28.2.-1.3.2024, G\"ottingen, Germany