多层次的模式间和模式内变压器网络,具有多元模式睡眠阶段化领域对抗性学习

科学领域:

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

背景情况:

• 睡眠分期对于诊断睡眠障碍至关重要,通常依赖于电脑电图 (EEG) 信号.
• 目前的方法很难整合多模式睡眠数据 (例如,EEG和电眼图 - EOG) 以提高性能.
• 域泛化问题,即模型在不同学科组的表现不佳,限制了实际应用.

研究的目的:

• 开发一种先进的深度学习模型,用于准确的多式模式睡眠阶段.
• 提高模型在不同受试者群体中概括的能力.
• 利用变压器网络来捕捉睡眠信号中复杂的时间依赖.

主要方法:

• 设计了一个多层次的模式间和模式内变压器网络,结合域对抗性学习.
• 利用多尺度卷积神经网络 (CNN) 进行分离时间和频率特征提取.
• 采用域对抗式学习来实现域不变特征提取以更好地概括.

主要成果:

• 拟议的模型在两个标准睡眠数据集上的基线模型表现明显优于基线模型.
• 从多式联络睡眠数据中证明有效地提取了模式内和模式间的依赖关系.
• 在解决睡眠阶段化领域概括挑战方面取得了卓越的表现.

结论:

• 开发的基于变压器的网络提供了一个有希望的方法,用于准确和可泛化的多式联络睡眠阶段.
• 这种方法促进了变压器模型在睡眠分析和诊断中的应用.
• 该模型处理个体差异的能力使其适合于需要高精度的现实世界临床应用.