一个半监督的多尺度任意扩展卷积神经网络用于儿科睡眠分期

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 睡眠医学 睡眠医学

背景情况:

• 睡眠分期对于诊断睡眠障碍至关重要,但需要大量的标记数据.
• 当前的自动睡眠分期方法往往忽略了儿科患者.
• 手动睡眠分阶段是耗时和资源密集的.

研究的目的:

• 为儿科数据开发一种高效准确的自动睡眠分期方法.
• 为了应对儿科睡眠研究中有限的标记数据的挑战.
• 提出一种新的深度学习架构,以改善睡眠阶段.

主要方法:

• 开发了一个半监督的多尺度任意扩展卷积神经网络 (SMADNet).
• 连续波形变换 (CWT) 产生了具有高高度宽度比率作为输入的刻度图.
• 为了特征提取,引入了一个具有任意扩展卷积 (ADConv) 的多尺度任意扩展卷积块 (MADBlock).

主要成果:

• 在SMADNet模型中,使用仅30%的标记数据,实现了与最先进的监督方法可比的性能.
• 在一个私人儿科数据集上,该模型获得了79%的准确性,72%的卡帕,75%的MF1.
• 该模型展示了强大的特征提取能力,用于儿科睡眠分期.

结论:

• 拟议的SMADNet有效地解决了儿科睡眠分期中标记数据的稀缺问题.
• 新的架构和半监督的方法使得在最小的监督下实现高性能.
• 这种方法为自动化和准确的儿科睡眠分析提供了一个有前途的解决方案.