一个顺序端到端的新生儿睡眠分期模型,具有挤压和激发块和顺序的多尺度卷积神经网络

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 儿科睡眠医学 儿科睡眠医学

背景情况:

• 新生儿的自动睡眠分期对于客观评估至关重要.
• 现有的方法往往缺乏时间信息,或遭受高计算成本和模糊性.
• 这限制了它们在各种临床场景中的适用性.

研究的目的:

• 提出一个新的连续端到端睡眠阶段模型,SeqEESleep.Net.
• 为了实现连续时代的并行处理,以便有效地提取时间信息.
• 开发一种快速训练模型,适应各种新生儿睡眠阶段化场景.

主要方法:

• SeqEESleepNet集成了一个序列时代生成 (SEG) 模块,一个序列的多尺度卷积神经网络 (SMSCNN),以及挤压和激发 (SE) 块.
• 该SEG模块将独立的时代转换为连续的信号,以捕获时代间的时间动态.
• SMSCNN提取多个尺度和时间特征,而SE块优化特征加权.

主要成果:

• 在使用单通道EEG的三类分类任务中,SeqEESleepNet实现了71.8%的整体准确率,71.8%的F1得分和0.684卡帕系数.
• 拟议的方法在临床数据集评估中优于现有的最先进的方法.
• 该模型展示了高效的训练和并行处理能力.

结论:

• SeqEESleepNet为新生儿睡眠分期提供了一种有效且计算效率高的解决方案.
• 该模型处理连续时代的能力提高了时间信息的利用.
• 这种方法对开发方便的,多场景的新生儿睡眠分期工具具有前景.