PSG-MAE：基于多通道PSG重建和跨通道对比学习的稳健多任务睡眠事件监控
机器学习
2025-04-21 v1
摘要
多导睡眠图（Polysomnography, PSG）信号是研究睡眠过程和诊断睡眠障碍的关键。通过深度神经网络（DNN）对PSG数据进行深度分析以实现自动化睡眠监控日益可行。然而，由于某些睡眠事件数据集的有限性，DNN往往在单一任务上以单一数据源进行训练，导致模型在新睡眠事件上的迁移能力差，应用新数据集时鲁棒性不足。为此，我们提出了PSG-MAE，一种基于掩码自编码器（MAE）的预训练框架。通过在大量无标签PSG数据上进行自监督学习，PSG-MAE开发出可广泛应用于各种睡眠事件监控任务的稳健特征提取网络。不同于传统MAE，PSG-MAE在PSG多个通道上生成互补掩码，集成多通道信号重建方法，并采用自监督跨通道对比学习（ICCL）策略。该方法使编码器能够从每个通道捕获时序特征，同时学习通道间的潜在关系，从而增强了多通道信息的利用。实验结果表明，PSG-MAE有效捕获了PSG信号的时序细节和跨通道信息。当采用PSG-MAE预训练的编码器配合下游特征分解网络微调时，睡眠分期准确率达83.7%，阻塞性睡眠呼吸检测准确率达90.45%，突显了该框架的广泛适用性和稳健性。
引用
@article{arxiv.2504.13229,
title = {PSG-MAE: Robust Multitask Sleep Event Monitoring using Multichannel PSG Reconstruction and Inter-channel Contrastive Learning},
author = {Yifei Wang and Qi Liu and Fuli Min and Honghao Wang},
journal= {arXiv preprint arXiv:2504.13229},
year = {2025}
}
备注
11 pages, 5 figures