基于深部脑信号跨模态自监督特征的睡眠分期自动分类

人类睡眠分期的检测广泛应用于神经与精神疾病的诊断和干预。部分植入深部脑刺激器的患者可从深部脑记录其神经活动。基于深部脑记录的睡眠分期分类具有为病患提供更精准治疗的巨大潜力。现有基于局部场电位的睡眠分期分类器的准确性与泛化能力仍然有限。我们提出了一种适用于植入设备的睡眠分期分类跨模态迁移学习方法。该端到端深度学习模型包含跨模态自监督特征表示、自注意力与分类框架。我们使用来自 12 名帕金森病患者的深部脑记录数据测试了该模型。睡眠分期分类的最佳总体准确率达到 83.2%。结果表明语音自监督特征有效捕捉了睡眠分期的转换模式。我们提供了一种从声学信号到局部场电位的迁移学习新方法。该方法为临床数据规模不足提供了有效解决方案。该睡眠分期分类模型可适配于帕金森病患者日常生活中的慢性连续睡眠监测，并有望用于深部脑机接口（如闭环深部脑刺激）中更精准的治疗。