ULW-SleepNet：用于多模态睡眠分期评分的超轻量网络
机器学习
2026-03-02 v1 信号处理
摘要
自动睡眠分期评分是睡眠障碍诊断和治疗的关键环节。尽管深度学习模型已推动该领域发展，但许多现有模型计算需求高，仅针对单通道脑电图（EEG），限制了其在多模态多导睡眠图（PSG）数据中的实际应用性。为克服这一问题，我们提出了ULW-SleepNet，这是一个高效整合多种生理信号信息的超轻量多模态睡眠分期评分框架。ULW-SleepNet 融入了新颖的双流分离卷积（DSSC）模块、深度分离卷积、通道级参数共享以及全局平均池化，以降低计算开销同时保持竞争性能。我们在 Sleep-EDF-20 和 Sleep-EDF-78 数据集上对其进行评估，ULW-SleepNet 分别 achieves 86.9% 和 81.4% 的准确率，仅使用 13.3K 参数和 7.89M FLOPs。与最先进的方法相比，我们的模型参数减少最高可达 98.6%，仅呈现轻微的性能损失，表明其在可穿戴和物联网设备上进行实时睡眠监测具有强大的潜力。本研究的源码已公开于 https://github.com/wzw999/ULW-SLEEPNET。
引用
@article{arxiv.2602.23852,
title = {ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring},
author = {Zhaowen Wang and Dongdong Zhou and Qi Xu and Fengyu Cong and Mohammad Al-Sa'd and Jenni Raitoharju},
journal= {arXiv preprint arXiv:2602.23852},
year = {2026}
}
备注
Accepted to ICASSP 2026