SleePyCo：基于特征金字塔与对比学习的自动睡眠分期
机器学习
2024-08-01 v1 人工智能
信号处理
摘要
自动睡眠分期对睡眠障碍的诊断与治疗至关重要，并能在家庭环境中实现纵向睡眠追踪。 conventionally，基于单通道脑电图（EEG）的学习型自动睡眠分期被广泛研究，因为睡眠期间获取多通道信号较为困难。然而，从原始 EEG 信号中学习表征具有挑战性，原因如下：1）与睡眠相关的 EEG 模式出现在不同时间与频率尺度上；2）睡眠阶段共享相似的 EEG 模式。为解决这些问题，我们提出名为 SleePyCo 的深度学习框架，其包含 1）特征金字塔与 2）用于自动睡眠分期的有监督对比学习。对于特征金字塔，我们提出名为 SleePyCo-backbone 的骨干网络，以考量不同时间与频率尺度上的多特征序列。有监督对比学习通过最小化类内特征间距离并同时最大化类间特征间距离，使网络提取类判别性特征。在四个公开数据集上的对比分析表明，SleePyCo 基于单通道 EEG 持续优于现有框架。大量消融实验显示，SleePyCo 整体性能增强，且在 N1 与快速眼动（REM）阶段区分上有显著提升。
引用
@article{arxiv.2209.09452,
title = {SleePyCo: Automatic Sleep Scoring with Feature Pyramid and Contrastive Learning},
author = {Seongju Lee and Yeonguk Yu and Seunghyeok Back and Hogeon Seo and Kyoobin Lee},
journal= {arXiv preprint arXiv:2209.09452},
year = {2024}
}
备注
14 pages, 3 figures, 8 tables