BTCRSleep:一个基于边界时间上下文改进的全卷积网络,用于用单通道EEG进行睡眠分阶段
Caihong Zhao1, Jinbao Li2, Yahong Guo3
1School of Electronic and Engineer, School of Computer Science and Technology, Heilongjiang University, Harbin, 150080, People's Republic of China.
Physiological measurement
|June 2, 2023
概括
这项研究介绍了BTCRSleep,这是一种深度学习模型,通过捕捉电脑电图 (EEG) 数据中的边界上下文来改善睡眠阶段. 该模型提高了识别睡眠阶段的准确性,特别是在过渡期间.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 单通道脑电图 (EEG) 睡眠阶段测定通常使用深度学习,将卷积神经网络 (CNN) 和循环神经网络 (RNN) 结合起来.
- 当睡眠阶段特征跨越多个时代时,CNN可能会丢失关键的边界上下文信息,从而影响睡眠阶段准确性.
研究的目的:
- 通过在睡眠阶段过渡期间捕捉边界时间上下文来提高睡眠分阶段的性能.
- 为了解决EEG分析的传统深度学习方法中的上下文信息丢失.
主要方法:
- 提出了一个完全卷积网络与边界时间上下文精细化 (BTCRSleep).
- 开发了一个边界时间上下文精细化模块,以增强时代之间的多尺度时间依赖.
- 实施了阶级意识的数据增强方法,以改善少数阶级边界背景的学习.
主要成果:
- 与四个公共数据集 (SEDF,SEDFX,SHHS,CAP) 的最先进方法相比,BTCRSleep实现了更高的总准确度和kappa得分.
- 在主体独立的交叉验证下,平均准确度达到84.9% (SEDF),82.9% (SEDFX),85.2% (SHHS) 和76.9% (CAP).
- 证明边界时间上下文显著改善了跨时代的时间依赖性的捕捉.
结论:
- 拟议的BTCRSleep模型有效地捕捉了边界时间上下文,以改善睡眠阶段.
- 这些发现强调了使用EEG数据进行睡眠阶段过渡分析时时间背景的重要性.
