基于EOG和PSM的多模态嵌入融合睡眠阶段分类

准确的睡眠阶段分类对于诊断睡眠障碍尤其重要，尤其是在老年人群中。虽然传统多导睡眠图（polysomnography，PSG）以脑电图（electroencephalography，EEG）为金标准，但其复杂性和需要专业设备的限制，使得在家进行睡眠监测具有挑战性。为解决这一限制，我们研究使用电动眼动图（electrooculography，EOG）和压力敏感垫（pressure-sensitive mat，PSM）作为不那么显眼的替代方案，用于进行五阶段睡眠-觉醒分类。本研究引入一种新方法，利用多模态嵌入深度学习模型ImageBind，将PSM数据与双通道EOG信号集成，用于睡眠阶段分类。我们的方法是首次报道的将PSM和EOG数据用于睡眠阶段分类的ImageBind方法。我们的结果表明，微调ImageBind显著提高了分类准确率，超越了基于单通道EOG（DeepSleepNet）、仅使用PSM数据（ViViT）以及其他多模态深度学习方法（MBT）的现有模型。值得注意的是，该模型在无需微调的情况下也取得了强大的性能，凸显了其对特定任务有限标记数据适应性，特别适用于医疗应用。我们使用来自睡眠诊所的85晚患者录音进行了评估。我们的发现表明，甚至是最初开发用于非医疗领域的预训练多模态嵌入模型，也可以有效地适用于睡眠分期，准确率接近需要复杂EEG数据系统。