LWSleepNet:一个基于注意力的轻量级深度学习模型,用于通过单通道EEG进行睡眠分阶段

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 睡眠医学 睡眠医学

背景情况:

• 睡眠分期对于健康评估至关重要,但手动分类是无效的.
• 人们越来越需要便携式设备来检测睡眠质量.
• 这些设备需要轻量级的自动睡眠分阶段模型.

研究的目的:

• 提出一种基于注意力的轻量级深度学习模型,用于自动睡眠分阶段.
• 为便携式应用程序开发一个准确且计算效率高的模型.
• 评估模型在公共睡眠数据集上的表现.

主要方法:

• 开发了LWSleepNet,这是一种轻量级的深度学习模型,利用深度可分离的多分辨率卷积神经网络.
• 集成了一个时间特征提取模块,具有多头注意力,以获得时间依赖的信息.
• 用深度可分离卷曲取代标准卷曲以减少参数和计算成本.

主要成果:

• 在睡眠EDF-20上,LWSleepNet实现了86.6%的准确度和79.2%的宏F1准确度.
• 该模型获得了81.5%的准确性和74.3%的睡眠-EDF-78.3的宏F1在睡眠-EDF-78.
• 该模型只有180K参数和每秒5530万个浮点运算.

结论:

• 在显著降低参数的情况下,LWSleepNet表现出卓越的预测性能.
• 拟议的模型模块提供了可移植性和准确性,可以集成到睡眠监测设备中.
• 该研究强调了轻量级深度学习在可访问的睡眠评估中的潜力.