KAleep-Net: una red de atención instantánea Kolmogorov-Arnold para la clasificación de las etapas del sueño...

Área de la Ciencia:

• La neurociencia
• Ingeniería biomédica
• Inteligencia artificial

Sus antecedentes:

• La electroencefalografía (EEG) es crucial para la evaluación de la calidad del sueño, pero los sistemas multicanal no son prácticos.
• El EEG de un solo canal ofrece practicidad, pero sufre de baja resolución e inestabilidad de características.
• La interpretabilidad clínica del EEG de un solo canal para la estadificación del sueño sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar un modelo eficiente e interpretable de clasificación de las etapas del sueño utilizando EEG de un solo canal.
• Abordar las limitaciones de los métodos de análisis EEG de un solo canal existentes.
• Mejorar la practicidad del monitoreo del sueño en entornos con recursos limitados.

Principales métodos:

• La propuesta de KAleep-Net (red de sueño basada en Kolmogorov-Arnold) para la estadificación del sueño EEG de un solo canal.
• Utilizó una tubería de características multispectral para la extracción de características de grano fino y de grano grueso.
• Integrado una red de secuenciación temporal con atención de flash para la extracción de características robusta.
• Se empleó una técnica de gradiente integrado para la interpretabilidad del modelo.

Principales resultados:

• Se logró una alta precisión (hasta el 86,5%) y puntuaciones F1 (hasta el 79,6%) en múltiples conjuntos de datos (Sleep-EDF-20, Sleep-EDF-78, SHHS).
• Demostró mejoras significativas en la velocidad de entrenamiento (hasta un 67,5%).
• Mejora de la transparencia de las decisiones mediante el análisis de gradientes integrados para la confianza clínica.

Conclusiones:

• KAleep-Net proporciona una solución eficiente y precisa para la estadificación del sueño utilizando EEG de un solo canal.
• El modelo supera las limitaciones clave de los enfoques EEG de un solo canal anteriores.
• Ofrece información clínicamente relevante, promoviendo la adopción en escenarios del mundo real con recursos limitados.