L-SeqSleepNet:用于自动睡眠分期的整周期长序列建模
信号处理
2023-08-08 v3 机器学习
摘要
人类睡眠是周期性的,周期约为90分钟,这意味着睡眠数据中存在长时依赖性。然而,在开发睡眠分期模型时探索这种长期依赖性尚未被触及。在这项工作中,我们表明,虽然编码整个睡眠周期的逻辑对于提高睡眠分期性能至关重要,但现有最先进的深度学习模型中的序列建模方法对此目的是低效的。因此我们引入了一种高效的长序列建模方法,并提出了一种新的深度学习模型L-SeqSleepNet,它考虑整周期睡眠信息用于睡眠分期。在四个不同规模的不同数据库上评估L-SeqSleepNet,我们展示了该模型在三种不同EEG设置(包括常规多导睡眠图(PSG)中的头皮EEG、耳内EEG和耳周EEG(cEEGrid))上获得的最先进性能,即使仅使用单通道EEG输入。我们的分析还表明,L-SeqSleepNet能够缓解N2睡眠(就分类而言的主要类别)的主导地位,从而降低其他睡眠阶段的错误。此外,该网络变得更加鲁棒,意味着对于所有基线方法性能异常差的对象,其性能均得到显著改善。最后,计算时间仅以亚线性速率随序列长度增加而增长。
引用
@article{arxiv.2301.03441,
title = {L-SeqSleepNet: Whole-cycle Long Sequence Modelling for Automatic Sleep Staging},
author = {Huy Phan and Kristian P. Lorenzen and Elisabeth Heremans and Oliver Y. Chén and Minh C. Tran and Philipp Koch and Alfred Mertins and Mathias Baumert and Kaare Mikkelsen and Maarten De Vos},
journal= {arXiv preprint arXiv:2301.03441},
year = {2023}
}
备注
This article has been published in IEEE Journal of Biomedical and Health Informatics (JBHI). Source code is available at http://github.com/pquochuy/l-seqsleepnet