可解释的多尺度时卷积神经网络模型用于基于脑电图活动的睡眠阶段检测
Chun-Ren Phang1,2, Akimasa Hirata1
1Department of Electrical and Mechanical Engineering, and the Center of Biomedical Physics and Information Technology, Nagoya Institute of Technology, Gokiso-cho, Showa-ku, Nagoya 466-8555 Aichi, Japan.
Journal of neural engineering
|February 21, 2025
概括
一个新的多尺度时间卷积神经网络 (MTCNN) 从EEG数据准确地检测睡眠阶段. 这种可解释的人工智能模型需要更少的训练数据,改善睡眠分析的现实应用.
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:
- 睡眠对新陈代谢和整体健康至关重要;睡眠不足对健康造成严重后果.
- 准确的睡眠阶段检测对于研究和临床应用至关重要.
- 现有的自动睡眠分期模型往往缺乏解释性,需要进一步提高性能.
研究的目的:
- 开发一种可解释的自动睡眠阶段检测模型.
- 为了提高睡眠分阶段算法的性能和效率.
- 解决睡眠分析当前深度学习模型的局限性.
主要方法:
- 使用神经生理学模仿内核实现了一个多尺度的时间卷积神经网络 (MTCNN).
- 在各种频率和时间尺度上捕捉了脑电图 (EEG) 活动.
- 在开源睡眠-EDF数据库扩展 (153天的多睡眠图数据) 上评估了MTCNN的性能.
主要成果:
- MTCNN有效地识别了每个睡眠阶段特有的EEG特征 (例如K复合体,牙波).
- 在跨主题分析中获得了高准确性 (91.12%OAcc,0.86kappa).
- 在休假几天分析中表现强 (88.24%OAcc,0.80kappa).
- 优于现有的深度学习模型,仅用16%的EEG数据实现85.62%的OAcc和0.75 kappa.
结论:
- 拟议的MTCNN模型为睡眠阶段检测提供了更好的解释性.
- MTCNN表现出高精度和效率,优于当前的深度学习方法.
- 该模型以有限的数据进行训练的能力使其适合于大数据集稀缺的现实应用.
