シングルチャネルEEG睡眠段階分類のためのコントラスティブ学習を用いた効率的なアテンションフレームワーク、SleepMFormer

科学分野:

• 神経科学
• 生物医学工学
• 人工知能

背景:

• 睡眠段階分類は、睡眠障害の診断と睡眠の質の評価に不可欠です。
• 脳波（EEG）は、睡眠段階分類の主要な方法です。
• Transformerモデルは高いパフォーマンスを提供しますが、計算効率の悪さに悩まされています。

研究 の 目的:

• シングルチャネルEEGを用いた自動睡眠段階分類のための効率的なエンドツーエンドフレームワークであるSleepMFormerを導入すること。
• Transformerベースの睡眠段階分類アルゴリズムの効率を改善すること。
• リソースが制約された環境での実用的な睡眠段階分類を可能にすること。

主な方法:

• SleepMFormerは、効率的なアテンションのために単純化されたTransformerエンコーダーを利用しています。
• 教師ありコントラスティブ学習は、トレーニング中の表現の堅牢性を強化します。
• このフレームワークは、効率的なトレーニングと推論のために設計されています。

主要な成果:

• SleepMFormerは、公開データセット（Sleep-EDF、PhysioNet、SHHS）で競争力のあるパフォーマンスを達成しています。
• 標準的なTransformerモデルと比較して、トレーニングと推論の時間を最大33％削減します。
• パフォーマンスは、異なる特徴抽出器（DeepSleepNet、TinySleepNet）間で維持されます。

結論:

• SleepMFormerは、自動睡眠段階分類のための効率的で実用的なソリューションを提供します。
• このフレームワークは、睡眠医学における臨床応用において大きな可能性を示しています。