在深度学习模型中以酶为灵感的特异性,用于使用多通道PSG信号输入的睡眠阶段分类:分离训练方法及其在跨数据集验证中的性能以实现概括性
Nantawachara Jirakittayakorn1, Yodchanan Wongsawat2, Somsak Mitrirattanakul3
1Institute for Innovative Learning, Mahidol University, Thailand.
Computers in biology and medicine
|September 21, 2024
概括
这项研究引入了一种新的深度学习模型,用于自动分类睡眠阶段,在各种数据集中实现高精度. 该模型表现出强大的通用性,通过克服常见的系统限制,为睡眠技术人员提供了一个有前途的工具.
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:
- 自动睡眠阶段分类系统由于仪器的变化,录音编辑,主题类型和评分方法的变化而难以泛化.
- 现有的模型往往无法在不同的数据集和记录设置中可靠地执行,从而限制了它们对睡眠技术人员的临床实用性.
研究的目的:
- 开发一种深度学习模型,增强自动睡眠阶段分类中的概括性.
- 通过使用受酶启发的特异性和量身定制的培训方法,应对仪器变化和记录组装差异所带来的挑战.
主要方法:
- 一个深度学习模型,集成了特定信号 (EEG,EOG,EMG) 和特定频道的卷积神经网络 (CNN).
- 整合双向长期短期记忆 (BiLSTM) 网络,从EEG和EOG信号中提取时间信息.
- 利用数据操纵和加权损失策略,并确定了生理信号的最佳采样频率.
主要成果:
- 在MGH数据集上实现了高性能,总准确率为81.05%,MF1为79.05%和Kappa为0.7408.
- 证明了强大的跨数据集通用性,结果如SHHS1的准确性为79.54%,当地BCI-MU数据集的准确性为83.57%.
- 该模型有效地处理记录组装和仪器类型的变化,显示了现实世界应用的潜力.
结论:
- 拟议的深度学习模型对睡眠阶段分类具有显著的概括性.
- 受酶启发的特异性和最佳频率选择有效地减轻了来自不同记录设置和仪器的挑战.
- 该模型在临床实践中显示出作为睡眠技术人员可行的辅助工具的前景.
