深度转移学习用于自动化单导电脑脑脑电图睡眠阶段与通道和群体不匹配的自动化单导电脑脑脑电图睡眠阶段

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 自动睡眠分期依赖于在广泛的睡眠记录上训练的深度学习模型.
• 在公共数据集上进行预训练是常见的,但由于数据不匹配 (人口或传感器) 可能导致性能问题.
• 不匹配的原因可能是无法代表的睡眠障碍或不同的传感器通道位置,从而影响模型的准确性.

研究的目的:

• 调查自动化单通道EEG睡眠分期的三种训练策略:预训练,从头开始的训练和微调.
• 评估这些策略在各种目标数据集中的表现,包括健康受试者和睡眠障碍患者.
• 在睡眠阶段模型中面对数据集或通道不匹配时,确定最佳的训练方法.

主要方法:

• 对比预训练,从头开始训练和微调策略,用于单通道EEG睡眠阶段.
• 使用源数据集 (F3-M2通道,N=94名健康受试者) 进行预训练和微调.
• 通过使用科恩的卡帕 (κ) 对八个目标数据集 (健康,OSA,失眠,RBD) 的F3-M2和F3-F4通道进行评估.

主要成果:

• 在年龄相匹配的F3-M2数据集中,没有观察到战略之间的性能差异 (健康: κ=.83,失眠: κ=.77,OSA: κ=.74).
• 微调在REM睡眠行为障碍 (RBD) 数据集 (κ=.67) 中表现优于其他方法,性能提高了 κ=.15.
• 针对性的培训 (从头开始的培训或微调) 在存在道不匹配时,平均提高了 κ=.17 的性能.

结论:

• 微调为睡眠阶段化提供了与从头开始训练相似或更高的性能,特别是在有限的数据或数据集不匹配的情况下.
• 当人口或道特征与源数据有显著差异时,有针对性的培训方法至关重要.
• 由于独特的病理或与年龄相关的特征,RBD数据集可能需要特定的培训策略,需要量身定制的模型适应.