MSA-CNN：一种用于睡眠阶段分类的轻量级多尺度注意力卷积神经网络
机器学习
2026-03-25 v2 信号处理
摘要
近年来，基于机器学习的信号分析以及开放数据倡议推动了自动睡眠阶段分类的研究。尽管分类模型层出不穷，但很少有模型优先考虑降低模型复杂度，而这对于实际应用至关重要。本文提出了多尺度注意力卷积神经网络（MSA-CNN），这是一种轻量级架构，参数数量仅约10,000个。MSA-CNN采用新颖的多尺度模块，利用互补池化消除冗余的滤波器参数和密集卷积。通过分离时间和空间特征提取，并使用经济高效的全局空间卷积，进一步降低了模型复杂度。这种任务分离不仅减少了模型复杂度，还模仿了人类专家在睡眠阶段评分中的方法。我们在三个公开数据集上评估了MSA-CNN的小型和大配置，并与九个最先进的基线模型进行了比较，分别处理单变量和多变量模型。基于重复交叉验证和所有基线模型的重新评估，我们的评估表明，尽管大配置MSA-CNN的参数数量显著减少，但在所有三个数据集上的准确率和Cohen's kappa均优于所有基线模型。最后，我们探索了多种模型变体，并对关键模块和技术进行了深入分析，从而更深入地理解其内在机制。模型、基线和评估程序的代码可在https://github.com/sgoerttler/MSA-CNN获取。
引用
@article{arxiv.2501.02949,
title = {MSA-CNN: A Lightweight Multi-Scale CNN with Attention for Sleep Stage Classification},
author = {Stephan Goerttler and Yucheng Wang and Emadeldeen Eldele and Min Wu and Fei He},
journal= {arXiv preprint arXiv:2501.02949},
year = {2026}
}
备注
12 pages, 8 figures, journal paper