PSEENet:一个伪罗神经网络,包含脑电图和眼电图的特征,用于异构的睡眠分期

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.
• 人工智能的人工智能

背景情况:

• 准确的睡眠分期对于评估睡眠质量至关重要.
• 现有的方法在不同的输入数据类型 (模式) 和异质信号方面扎.
• 需要强大的睡眠分期模型,在不同的信号组合中表现良好.

研究的目的:

• 开发一种新的神经网络模型,PSEENet,能够处理异质睡眠信号.
• 为了确保高睡眠阶段性能,无论可用的输入方式 (例如,EEG,EOG).
• 通过有效整合多模式数据,提高睡眠分期的准确性.

主要方法:

• 提出了一个名为PSEENet的伪语神经网络 (PSN) 架构.
• 集成的空间绘图模块 (SMM) 用于高维特征提取.
• 使用重量共享分类器建立睡眠阶段之间的关联,使用联合多模式特征相似性.

主要成果:

• PSEENet证明了在多个数据集 (MASS,SleepEDFX,HSFU) 中有效处理异质信号.
• 与单一模式相比,通过多模式输入 (EEG和EOG) 实现了更高的准确性.
• 在睡眠EDFX上,精度达到79.1% (EEG) 和82.1% (EEG + EOG).
• 通过结合相似性信息,仅EOG的精度从73.7%提高到76%.

结论:

• PSEENet提供了一种强大的解决方案,用于使用异质信号进行睡眠分阶段.
• 该模型即使只使用单个数据模式,也保持强的性能.
• 整合特征相似性信息可以提高睡眠阶段的准确性,特别是对于像EGG这样的模式.