NeuroLingua：基于 EEG 和 EOG 的多模态睡眠阶段分类语言启发的层次框架
机器学习
2025-11-14 v1 信号处理
摘要
从多导睡眠图谱进行自动睡眠阶段分类仍受限于缺乏表征性时序层次结构、挑战在多模态 EEG 和 EOG 融合方面，以及深度学习模型的可解释性有限。我们提出 NeuroLingua，一个语言启发的框架，将睡眠概念化为结构性生理语言。每个 30 秒的 epoch 被分解为重叠的 3 秒子窗口（“标记”），使用基于 CNN 的标记化器，实现对局部依赖性的 intra-segment 编码和对 7 个连续 epoch（3.5 分钟）的 inter-segment 集成，以获得更广阔的上下文。通过图卷积网络融合来自 EEG 和 EOG 通道的模态特定嵌入，实现稳健的多模态集成。NeuroLingua 在 Sleep-EDF Expanded 和 ISRUC-Sleep 数据集上进行评估，在 Sleep-EDF 上实现了最先进的性能（85.3% 准确率、0.800 macro F1、0.796 Cohen's kappa），在 ISRUC 上实现了竞争的性能（81.9% 准确率、0.802 macro F1、0.755 kappa），在整体和每个类别的指标上均匹配或超过了已发布的基线。该架构的注意力机制增强了对临床相关睡眠微事件的检测，为未来在睡眠研究中提高可解释性、可解释性和因果推断提供了原则性基础。通过将睡眠概念化为组合式语言，NeuroLingua 统一了层次序列建模和多模态融合，推动自动睡眠分层向更透明和临床上有意义的应用迈进。
引用
@article{arxiv.2511.09773,
title = {NeuroLingua: A Language-Inspired Hierarchical Framework for Multimodal Sleep Stage Classification Using EEG and EOG},
author = {Mahdi Samaee and Mehran Yazdi and Daniel Massicotte},
journal= {arXiv preprint arXiv:2511.09773},
year = {2025}
}