基于跨模态 Transformer 的可解释睡眠分期分类

准确的睡眠分期分类对睡眠健康评估具有重要意义。近年来，多种基于机器学习的睡眠分期算法被提出，尤其是基于深度学习的算法已达到与人类标注相当的性能。尽管性能提升，大多数深度学习算法的局限在于其黑盒行为，这限制了它们在临床环境中的应用。在此，我们提出一种跨模态 transformer，这是一种基于 transformer 的睡眠分期分类方法。所提跨模态 transformer 由一种新颖的跨模态 transformer 编码器架构以及用于自动表示学习的多尺度一维卷积神经网络组成。我们的方法优于当前最优方法，并通过利用注意力模块的可解释性消除了深度学习模型的黑盒行为。此外，与当前最优方法相比，我们的方法在参数量和训练时间上均有显著减少。我们的代码见 https://github.com/Jathurshan0330/Cross-Modal-Transformer。我们的工作演示见 https://bit.ly/Cross_modal_transformer_demo。