SleepMFormer: Un marco eficiente de atención con aprendizaje contrastivo para la estadificación del sueño con EEG de...

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Inteligencia Artificial

Sus antecedentes:

• La clasificación de las etapas del sueño es vital para diagnosticar trastornos del sueño y evaluar la calidad del mismo.
• La electroencefalografía (EEG) es el método principal para la estadificación del sueño.
• Los modelos Transformer ofrecen un alto rendimiento pero sufren de ineficiencia computacional.

Objetivo del estudio:

• Introducir SleepMFormer, un marco eficiente de extremo a extremo para la clasificación automática de etapas del sueño utilizando EEG de canal único.
• Mejorar la eficiencia de los algoritmos de estadificación del sueño basados en Transformer.
• Permitir la estadificación del sueño práctica en entornos con recursos limitados.

Principales métodos:

• SleepMFormer utiliza un codificador Transformer simplificado para una atención eficiente.
• El aprendizaje contrastivo supervisado mejora la robustez de la representación durante el entrenamiento.
• El marco está diseñado para un entrenamiento e inferencia eficientes.

Principales resultados:

• SleepMFormer logra un rendimiento competitivo en conjuntos de datos públicos (Sleep-EDF, PhysioNet, SHHS).
• Reduce el tiempo de entrenamiento e inferencia hasta en un 33% en comparación con los modelos Transformer estándar.
• El rendimiento se mantiene en diferentes extractores de características (DeepSleepNet, TinySleepNet).

Conclusiones:

• SleepMFormer proporciona una solución eficiente y práctica para la estadificación automática del sueño.
• El marco muestra un potencial significativo para aplicaciones clínicas en medicina del sueño.