基于黎曼度量和Transformer网络的脑电图信号睡眠阶段自动分类
信号处理
2024-10-29 v1 机器学习
摘要
目的：在睡眠医学中，评估受试者睡眠演变通常涉及对脑电图（EEG）信号进行昂贵的人工评分。近年来，已提出多种深度学习方法来自动化这一过程，主要通过从所述信号中提取特征。然而，尽管在相关问题（如脑机接口）中取得了一些有前景的进展，但脑区间协方差分析在睡眠阶段评分中仍未得到充分利用。方法：在我们先前工作的基础上，我们研究了SPDTransNet的能力，这是一种源自Transformer的网络，旨在通过协方差矩阵的时间序列对EEG数据进行睡眠阶段分类。此外，我们提出了一种新颖的方法，将学习到的信号级特征集成到所述矩阵中，同时不牺牲其对称正定（SPD）性质。结果：通过在与针对类别性能优化的方法论中的其他最先进模型进行比较，我们在单数据集实验以及特别是多数据集实验中，达到了与各种最先进模型相当或更优的性能水平。结论：在本文中，我们证明了SPDTransNet模型在EEG睡眠阶段评分背景下的能力，特别是其对多数据集任务的适应性——尽管它可以轻松适应任何涉及协方差矩阵时间序列的分类任务。
引用
@article{arxiv.2410.19819,
title = {Automatic Classification of Sleep Stages from EEG Signals Using Riemannian Metrics and Transformer Networks},
author = {Mathieu Seraphim and Alexis Lechervy and Florian Yger and Luc Brun and Olivier Etard},
journal= {arXiv preprint arXiv:2410.19819},
year = {2024}
}