cVAN:一种通过交叉视图对齐网络进行睡眠分期的新方法

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 睡眠医学 睡眠医学

背景情况:

• 准确的睡眠分期对于评估睡眠质量和诊断睡眠障碍至关重要.
• 目前使用多个生理信号的方法很有希望,但忽视了在不同尺度上观察特征之间的关系.
• 需要先进的方法来解决跨不同生理信号数据视图的特征尺度对齐.

研究的目的:

• 提出一种新的交叉视图对齐网络 (cVAN),以改进睡眠阶段的分类.
• 为了利用规模意识的注意力,在不同的数据视图中适应性调整特征.
• 通过有效地整合多视图生理信号信息来提高睡眠阶段的准确性.

主要方法:

• 开发了一种新的交叉视图对齐网络 (cVAN),包括残余类和变压器类子网络.
• 利用来自时间频率图像的光谱信息和来自生理信号的时间信息.
• 通过重新组织特征地图,实现了规模意识的注意力,通过重新组织特征地图,在不同的数据视图中适应性地对准学习的特征尺度.

主要成果:

• 在三个公共数据集上,cVAN在睡眠阶段分类方面取得了最先进的结果.
• 与现有的睡眠分阶段技术相比,拟议的方法显示出更高的性能.
• 意识到尺度的注意力有效地对齐了特征尺度,提高了分类准确性.

结论:

• 新的cVAN模型显著提高了睡眠阶段分类的准确性.
• 交叉视图对齐与规模意识的注意力是有效的整合多视图生理信号.
• 这种方法为自动化睡眠质量评估和障碍诊断提供了一个有希望的方向.