Una red neuronal ligera basada en la memoria y la probabilidad de transición para una clasificación precisa de la...

Área de la Ciencia:

• Ingeniería biomédica
• Neurociencia computacional
• Inteligencia artificial

Sus antecedentes:

• Los sistemas portátiles requieren algoritmos eficientes de estadificación del sueño.
• La electroencefalografía de un solo canal (EEG) presenta una configuración práctica para el monitoreo del sueño portátil.
• Los métodos existentes pueden carecer de interpretabilidad o eficiencia computacional para aplicaciones en tiempo real.

Objetivo del estudio:

• Desarrollar un marco híbrido ligero para la clasificación de las etapas del sueño utilizando un solo canal de EEG frontopolar.
• Mejorar la precisión de la estadificación del sueño mediante la integración de la memoria y las probabilidades de transición de la etapa del sueño.
• Para crear un modelo computacionalmente eficiente adecuado para dispositivos portátiles alimentados por batería.

Principales métodos:

• Un marco de red neuronal de transmisión que utiliza un solo canal de EEG frontopolar.
• Incorporación de información de épocas anteriores y una característica de conciencia de transición derivada de una matriz de transición de etapa aprendida.
• Una estrategia de respaldo basada en la confianza que combina predicciones de redes basadas en memoria y sin memoria.

Principales resultados:

• Logró hasta un 85,4% de precisión y 0,79 kappa de Cohen usando solo épocas de 30s.
• Superó las redes neuronales convolucionales, las redes neuronales recurrentes y los enfoques de árbol de decisión en un solo canal frontopolar.
• El rechazo basado en la confianza mejoró la fiabilidad, especialmente para las épocas con transiciones de las etapas del sueño.

Conclusiones:

• El método propuesto ofrece un equilibrio de rendimiento, interpretabilidad y eficiencia computacional.
• Demuestra la idoneidad para aplicaciones clínicas y portátiles de estadificación del sueño en tiempo real.
• Destaca el potencial de los modelos híbridos ligeros para entornos con recursos limitados.