面向异构EEG与EOG跨域睡眠分期分类的多通道差分Transformer
机器学习
2025-09-29 v3
摘要
睡眠分期分类对于评估睡眠质量和诊断睡眠障碍至关重要。然而，人工检查每个睡眠阶段的脑电图（EEG）特征既耗时又容易出错。尽管机器学习和深度学习方法得到了积极发展，但它们仍然面临挑战，这些挑战源于不同临床配置下脑电图（EEG）和眼电图（EOG）信号的非平稳性和变异性，通常导致泛化能力差。在这项工作中，我们提出了SleepDIFFormer，这是一个用于异构EEG-EOG表示学习的多通道差分Transformer框架。SleepDIFFormer在多个睡眠分期数据集上进行训练，每个数据集被视为一个源域，目标是泛化到未见过的目标域。具体来说，它采用了一种多通道差分Transformer架构（MDTA），旨在处理原始EEG和EOG信号，同时结合跨域对齐。我们的方法减轻了空间和时间注意力噪声，并通过跨数据集的特征分布对齐学习域不变的EEG-EOG表示，从而增强了对新域的泛化能力。在实证方面，我们在域泛化设置下评估了SleepDIFFormer在五个不同睡眠分期数据集上的表现，并将其与现有方法进行了基准测试，取得了最先进的性能。我们进一步进行了全面的消融研究，并解释了差分注意力权重，证明了它们与特征性睡眠EEG模式的相关性。这些发现推动了自动化睡眠分期分类的发展，并突显了其在量化睡眠结构和检测破坏恢复性休息的异常方面的潜力。我们的源代码和检查点已在https://github.com/Ben1001409/SleepDIFFormer上公开。
引用
@article{arxiv.2508.15215,
title = {Multi-Channel Differential Transformer for Cross-Domain Sleep Stage Classification with Heterogeneous EEG and EOG},
author = {Benjamin Wei Hao Chin and Yuin Torng Yew and Haocheng Wu and Lanxin Liang and Chow Khuen Chan and Norita Mohd Zain and Siti Balqis Samdin and Sim Kuan Goh},
journal= {arXiv preprint arXiv:2508.15215},
year = {2025}
}
备注
SleepDIFFormer 8 Pages