基于异构信号卷积神经网络集成的睡眠阶段评分

多年来，已有多种方法试图解决自动进行睡眠阶段评分的问题。尽管任何多导睡眠图通常会采集十几种不同的信号，但这一问题主要仅通过使用这些记录中呈现的脑电图来解决。另一方面，其他记录的信号在大多数工作中大多被忽略。本文探索并比较了除脑电图外使用附加信号的便利性。更具体地说，这项工作使用了包含5804名患者的 SHHS-1 数据集，其中包含与两份脑电图同时记录的肌电图。为了比较结果，首先，使用不同的输入信号及其所有可能的组合评估了相同的架构。这些测试表明，使用不止一个信号（尤其是当它们来自不同来源时）可以改善分类结果。此外，将针对一个或多个信号的每种组合获得的最佳模型用于集成模型中，并比较了它们的性能，表明使用这些多信号模型有助于改善分类。最佳的整体模型，即深度可分离卷积神经网络的集成，实现了86.06%的准确率，Cohen's Kappa 为0.80，$F_{1}$ 为0.77。迄今为止，这些是完整数据集上的最佳结果，并且显示出了对数据集中最罕见类别的精确率和召回率的显著改善。