基于全卷积网络的 arousal 与睡眠阶段多任务学习
信号处理
2024-06-05 v1
摘要
目标。睡眠是一种至关重要的生理过程，对于维持身体和精神健康至关重要。准确检测嗜睡和睡眠阶段对于睡眠障碍诊断至为关键，因为频繁且过度的嗜睡会扰乱睡眠阶段模式，导致睡眠质量下降，进而影响身心健康。多导睡眠图是检测嗜睡和睡眠阶段的传统方法，但耗时且受专家之间高变异性影响。方法。本文提出一种基于全卷积神经网络的嗜睡和睡眠阶段检测新型多任务学习方法。我们的模型 FullSleepNet 接受全夜单通道 EEG 信号作为输入，输出嗜睡和睡眠阶段标签的分割掩码。FullSleepNet 由四个模块构成：用于提取局部特征的卷积模块、用于捕获长程依赖关系的循环模块、用于聚焦于输入相关部分的注意力机制，以及用于输出最终预测的分割模块。主要结果。通过将两项关联任务统一作为分割问题并采用多任务学习方法，FullSleepNet 在 Sleep Heart Health Study 和 Multi-Ethnic Study of Atherosclerosis 数据集上实现了嗜睡检测的领先性能，精确-召回曲线下面积达 0.70。对于睡眠阶段分类，FullSleepNet 在两个数据集上均取得可比的性能，前者准确率为 0.88，后者为 0.83。意义。我们的结果表明，FullSleepNet 在使用原始 EEG 信号作为输入的情况下，为嗜睡检测和睡眠阶段分类提供了更实用、更高效、更准确的解决方案。
引用
@article{arxiv.2406.01834,
title = {Multi-Task Learning for Arousal and Sleep Stage Detection Using Fully Convolutional Networks},
author = {Hasan Zan and Abdulnasir Yildiz},
journal= {arXiv preprint arXiv:2406.01834},
year = {2024}
}