SleepTransformer：具备可解释性与不确定性量化的自动睡眠分期模型
机器学习
2022-01-27 v3 信号处理
摘要
背景：黑箱质疑是阻碍基于深度学习的自动睡眠分期用于临床环境的主要障碍之一。方法：为求得可解释性，本工作提出一种序列到序列的睡眠分期模型，即 SleepTransformer。它基于 transformer 主干，并在 epoch 与序列两个层面提供模型决策的可解释性。我们进一步提出一种简单而高效的方法来量化模型决策中的不确定性。该方法基于熵，可作为将低置信度 epoch 交由人类专家进一步核查的延迟度量。结果：为理解 transformer 自注意力分数以用于可解释性，在 epoch 层面，注意力分数被编码为热图，以突出从输入 EEG 信号中捕获的睡眠相关特征。在序列层面，注意力分数被可视化为输入序列中不同邻域 epoch（即上下文）对目标 epoch 识别的影响，模仿人类专家进行手动评分的方式。结论：此外，我们证明 SleepTransformer 在两个不同规模的数据库上性能与现有方法相当。意义：配备可解释性与不确定性量化能力的 SleepTransformer 有望被整合进临床环境。
引用
@article{arxiv.2105.11043,
title = {SleepTransformer: Automatic Sleep Staging with Interpretability and Uncertainty Quantification},
author = {Huy Phan and Kaare Mikkelsen and Oliver Y. Chén and Philipp Koch and Alfred Mertins and Maarten De Vos},
journal= {arXiv preprint arXiv:2105.11043},
year = {2022}
}
备注
This article has been published in IEEE Transactions on Biomedical Engineering