一个基于波纹的自适应光谱图重建和轻量级CNN的睡眠阶段模型

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 神经科学是一个神经科学.

背景情况:

• 自动睡眠分期对于诊断睡眠障碍至关重要.
• 脑电图 (EEG) 信号在睡眠阶段的过渡过程中存在挑战,因为它们的特性较弱,频率组件复杂.

研究的目的:

• 开发一种使用EEG进行自动睡眠分阶段的有效和计算效率高的方法.
• 改进EEG信号的特征表示,以实现更强大的睡眠阶段分类.

主要方法:

• 基于波形的自适应谱图重建 (WASR) 使用种子生长来捕获时间频率模式.
• 将Teager操作员变量能量集成到WASR中,以生成额外的光谱图,突出显示隐藏的EEG动态.
• 开发一种轻量级的卷积神经网络 (CNN),具有深度可分离的卷积,用于增强特征提取和分类.

主要成果:

• 拟议的模型在Sleep-EDF 20数据集上实现了高性能,整体准确率为87.6%,F1得分为82.1%,Cohen kappa为0.83.
• 增强的光谱图使轻型CNN能够检测睡眠阶段的细节,改善特征表示.
• 该模型与基线相比显示出具有竞争力的结果,同时显著降低了计算成本.

结论:

• 新的WASR方法与轻量级的CNN相结合,为自动睡眠分期提供了一种有效的方法.
• 这种方法提高了睡眠障碍诊断的准确性和效率.
• 这种方法为分析睡眠EEG数据提供了一个强大的,计算成本低廉的解决方案.