wav2sleep：一种用于从生理信号进行睡眠分期分类的统一多模态方法
机器学习
2024-11-08 v1 人工智能
摘要
从较少侵入性的传感器测量（如心电图ECG或光电容积脉搏波描记术PPG）准确分类睡眠阶段，可在睡眠医学中实现重要应用。现有的方法通常使用针对一种或多种特定输入信号设计和训练的深度学习模型。然而，用于开发这些模型的数据集通常不包含相同的输入信号集合。某些信号，特别是PPG，远不如其他信号普遍，此前已通过迁移学习等技术加以解决。此外，仅在固定模态上训练会排除来自其他来源的跨模态信息传递，这在其他问题领域已被证明是有价值的。为解决这一问题，我们提出了wav2sleep，这是一种统一模型，设计用于在训练和推理过程中处理可变集合的输入信号。在联合训练超过10,000个夜间记录，涵盖六个公开可用的多导睡眠图数据集（包括SHHS和MESA）之后，wav2sleep在测试时输入组合（包括ECG、PPG和呼吸信号）上超越了现有的睡眠分期分类模型。
引用
@article{arxiv.2411.04644,
title = {wav2sleep: A Unified Multi-Modal Approach to Sleep Stage Classification from Physiological Signals},
author = {Jonathan F. Carter and Lionel Tarassenko},
journal= {arXiv preprint arXiv:2411.04644},
year = {2024}
}
备注
Accepted to Machine Learning for Health (ML4H) 2024