基于深度知识蒸馏的EEG辅助提升单导联ECG睡眠分期
信号处理
2022-11-24 v1 人工智能
机器学习
摘要
脑电图（EEG）信号目前被公认为自动睡眠分期的标准。近来，基于深度学习（DL）的方法已能在自动睡眠分期上达到近人类精度，推动了该领域的多重进展。然而，基于EEG的睡眠分期需要广泛且昂贵的临床设备。此外，EEG设备本身具有侵入性且需专家布置，增加了受试者的不便，使其在床旁场景中应用受限。EEG的一种非侵入且更适宜的替代是心电图（ECG）。 unsurprisingly，与EEG相比，其在睡眠分期中的表现仍逊一筹。为兼顾两种模态优势，将知识从EEG迁移至ECG是合理途径，最终提升基于ECG的睡眠分期性能。知识蒸馏（KD）是DL中一种有前景的概念，可将性能更优但通常更复杂的教师模型的知识迁移至性能较弱但紧凑的学生模型。基于此概念，本文提出一种跨模态KD框架，借助在EEG上训练的模型所学特征来提升基于ECG的睡眠分期性能。此外，为更好理解蒸馏方法，我们对所提模型的独立模块进行了充分实验。本研究使用了包含200名受试者的Montreal Archive of Sleep Studies（MASS）数据集。所提模型在3类与4类睡眠分期上的加权F1分数分别提升了13.40%与14.30%。本研究证明了KD用于单通道ECG睡眠分期在3类（W-R-N）与4类（W-R-L-D）分类中性能增强的可行性。
引用
@article{arxiv.2211.13125,
title = {EEG aided boosting of single-lead ECG based sleep staging with Deep Knowledge Distillation},
author = {Vaibhav Joshi and Sricharan V and Preejith SP and Mohanasankar Sivaprakasam},
journal= {arXiv preprint arXiv:2211.13125},
year = {2022}
}
备注
Medical Measurements and Apllications (MeMeA-2022)