SleepGMUformer: 面向睡眠分期的门控多模态时序神经网络
机器学习
2025-02-21 v1 人工智能
摘要
睡眠分期是评估睡眠质量和诊断睡眠障碍的关键方法。然而，当前深度学习方法面临两个挑战：1) 后融合技术忽略了不同模态贡献的可变性；2) 未处理的睡眠数据可能干扰频域信息。为解决这些问题，本文提出了一种用于多域睡眠数据的门控多模态时序神经网络，包括来自 WristHR-Motion-Sleep 和 SleepEDF-78 的心率、运动、步数、EEG (Fpz-Cz, Pz-Oz) 和 EOG。该模型集成了：1) 用于特征对齐、缺失值处理和 EEG 去趋势的预处理模块；2) 用于提取时维复杂睡眠特征的特征提取模块；3) 用于实时模态加权的动态融合模块。实验表明，在 SleepEDF-78 数据集上实现了 85.03% 的分类准确率，在 WristHR-Motion-Sleep 数据集上实现了 94.54% 的分类准确率。该模型处理异构数据集，并比当前最先进的模型高出 1.00%-4.00%。
引用
@article{arxiv.2502.14227,
title = {SleepGMUformer: A gated multimodal temporal neural network for sleep staging},
author = {Chenjun Zhao and Xuesen Niu and Xinglin Yu and Long Chen and Na Lv and Huiyu Zhou and Aite Zhao},
journal= {arXiv preprint arXiv:2502.14227},
year = {2025}
}