利用EOG增强医疗健康：一种睡眠分期分类的新方法
信号处理
2023-10-09 v1 计算机视觉与模式识别
机器学习
摘要
我们引入一种利用眼电图(EOG)信号进行自动化睡眠分期分类的创新方法，解决了EEG数据采集所带来的不适与不实用问题。此外，需注意该方法在该领域尚属空白，凸显了其带来新见解与贡献的潜力。我们提出的SE-Resnet-Transformer模型可从原始EOG信号准确分类五种不同睡眠阶段。在公开可用数据库（SleepEDF-20、SleepEDF-78与SHHS）上的广泛验证显示出值得关注的性能，其宏F1分数分别为74.72、70.63与69.26。我们的模型在识别REM睡眠方面表现优异，而这是睡眠障碍研究的关键环节。我们还利用1D-GradCAM与t-SNE图等技术对模型内部机制进行了阐释。我们的方法在提升睡眠分期分类可及性的同时，降低了对EEG模态的需求。该进展将对医疗健康及可穿戴技术融入睡眠研究产生可喜影响，从而推进该领域在增强诊断与患者舒适度方面的潜力。
引用
@article{arxiv.2310.03757,
title = {Enhancing Healthcare with EOG: A Novel Approach to Sleep Stage Classification},
author = {Suvadeep Maiti and Shivam Kumar Sharma and Raju S. Bapi},
journal= {arXiv preprint arXiv:2310.03757},
year = {2023}
}