一个基于多模态一致性的自我监督的对比学习框架,用于自动化睡眠分期在有意识障碍的患者

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 自动睡眠分期至关重要,但面临着诸如有限数据和不良概括等挑战.
• 现有的深度学习方法在多模式特征提取和应用到特定的患者群体 (如那些有意识障碍 (DOC) 的患者) 方面扎.

研究的目的:

• 开发一个基于多模式一致性的睡眠分阶段网络 (MultiConsSleepNet),解决当前深度学习方法的局限性.
• 通过有效利用有限的标记数据和丰富的未标记数据,提高睡眠阶段的准确性和概括性,特别是在DOC患者中.

主要方法:

• 拟议的MultiConsSleepNet使用单模和多模特征提取器来进行脑电图 (EEG) 和眼电图 (EOG).
• 整合了自我监督的对比学习策略,用于单模和多模一致性学习,以利用未标记的数据.
• 专注于探索通用表示和模式内和模式间的特征一致性.

主要成果:

• MultiConsSleepNet在有限的标记数据的公共睡眠阶段数据集上实现了最先进的性能.
• 该模型证明了对未标记数据的有效利用,提高了实际适用性.
• 在DOC患者的自我收集数据集上观察到有希望的结果,表明临床应用的潜力.

结论:

• MultiConsSleepNet为睡眠分期提供了一个有效的解决方案,特别是当标记数据稀缺时.
• 该模型的概括能力及其对DOC患者的有希望的表现为这群人群的睡眠研究提供了新的途径.