自动睡眠分期基于上下文缩影图和注意力卷积神经网络使用单通道EEG
IEEE journal of biomedical and health informatics
|November 13, 2023
概括
这项研究介绍了Co-ScaleNet,这是一种用于睡眠分期的新型深度学习模型,使用来自单通道电脑图 (EEG) 的上下文扫描图. 该方法提高了健康人和患者的睡眠阶段分类的准确性.
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) 越来越多地用于睡眠监测.
- 准确的睡眠分期对于诊断睡眠障碍和神经疾病至关重要.
研究的目的:
- 开发一种有效的深度学习模型,用于基于单通道EEG的睡眠阶段.
- 引入上下文扫描图作为睡眠分期的新型输入表示.
主要方法:
- 开发了一个带有注意力模块的卷积神经网络,名为Co-ScaleNet.
- 通过将连续EEG时代的RGB频道结合起来,生成了上下文扫描图.
- 为了提高性能,实施了数据增强策略.
主要成果:
- Co-ScaleNet实现了高精度:87.0%的健康人群和84.7%的抑郁患者.
- 在公开数据集 (Sleep-EDFx,ISRUC,SHHS) 上观察到可比性能.
- 注意模块改善了特定睡眠阶段 (N1和N3) 的回忆.
结论:
- 语境扫描图为特征提取和睡眠阶段数据增强提供了一种新的方法.
- Co-ScaleNet模型在各种患者群体中展示了广泛的适用性,包括患有抑郁症和睡眠呼吸暂停的患者.
