自动睡眠分期从单通道脑电图使用混合神经网络与手动功能和注意力的注意力
Qingyun Wan1, Yuyang Bo1, Ying Zhang1
1Affiliated Hospital of Nanjing University of Chinese Medicine, Jiangsu Province Hospital of Chinese Medicine, Nanjing 210029, China.
iScience
|August 13, 2025
概括
这项研究引入了使用电脑电图 (EEG) 信号的改进的自动睡眠分期模型. 通过将深度学习与手动功能和注意力机制相结合,MA-CNN-BiLSTM模型提高了准确性,以便更好地分析睡眠.
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:
- 睡眠分期对于评估睡眠质量和诊断睡眠障碍至关重要.
- 使用脑电图 (EEG) 信号的自动睡眠分期是一个活跃的研究领域.
- 现有的深度学习模型往往忽视了专家获得的有价值的手册功能.
研究的目的:
- 为单通道EEG信号开发一个先进的自动睡眠分期模型.
- 将来自专家的手动功能与深度神经网络相结合.
- 通过注意力机制来增强功能相关性.
主要方法:
- 采用了混合卷积神经网络-双向长期短期记忆 (CNN-BiLSTM) 架构.
- 多维特征 (信号能量,) 使用波形分解提取.
- 整合了注意力机制,以关注分类的关键特征.
- 一个SoftMax层被用于最终的睡眠阶段分类.
主要成果:
- 拟议的MA-CNN-BiLSTM模型在Sleep-EDF-20和SVUH-UCD数据集上表现出卓越的性能.
- 与现有方法相比,该模型实现了更高的分类准确性.
- 观察到改善的宏观平均F1分数和科恩的卡帕值.
结论:
- 该MA-CNN-BiLSTM模型有效地自动化了单通道EEG的睡眠阶段.
- 整合手动功能和注意力机制显著提高了模型的性能.
- 这种方法为客观评估睡眠质量和诊断睡眠障碍提供了一个有前途的工具.
