使用深度学习的睡眠脑与心脏活动预测认知灵活性与概念推理
人工智能
2025-06-03 v1 机器学习
摘要
尽管对睡眠与认知之间的关系进行了广泛研究，但睡眠微结构与特定认知领域的人类表现之间的联系仍未得到充分探索。本研究调查了深度学习模型是否能够根据夜间睡眠期间的生理过程预测执行功能，特别是认知适应性和概念推理。为此，我们引入了 CogPSGFormer，这是一种多尺度卷积-Transformer 模型，旨在处理多模态多导睡眠图数据。该模型整合了单通道 ECG 和 EEG 信号以及提取的特征（包括 EEG 频带功率和心率变异性参数），以捕获跨模态的互补信息。我们对 CogPSGFormer 架构进行了全面评估，以优化长睡眠信号的处理并确定最有效的配置。所提出的框架在 STAGES 数据集中的 817 名个体上通过交叉验证进行了评估。该模型在基于 Penn 条件排除测试（PCET）分数将个体分类为低认知表现组与高认知表现组时，在未见过的数据上达到了 80.3\% 的准确率。这些发现突出了我们的多尺度特征提取和多模态学习方法在利用睡眠衍生信号预测认知表现方面的有效性。为了便于复现，我们的代码已公开访问 (https://github.com/boshrakh95/CogPSGFormer.git)。
引用
@article{arxiv.2506.00279,
title = {Sleep Brain and Cardiac Activity Predict Cognitive Flexibility and Conceptual Reasoning Using Deep Learning},
author = {Boshra Khajehpiri and Eric Granger and Massimiliano de Zambotti and Fiona C. Baker and Mohamad Forouzanfar},
journal= {arXiv preprint arXiv:2506.00279},
year = {2025}
}
备注
This work was accepted for publication in IEEE EMBC 2025