DistillSleep:实时,在设备上,从单通道EEG进行可解释的睡眠分期

科学领域:

• 神经科学与生物医学工程
• 医疗保健中的人工智能
• 睡眠医学技术

背景情况:

• 多睡眠法 (PSG) 是衡量睡眠阶段的黄金标准,
• 目前的方法需要实验室设置,多个传感器和手动评分.
• 需要实时的睡眠分期解决方案.

研究的目的:

• 开发DistillSleep,一个单通道脑电图 (EEG) 框架,用于准确,实时和可解释的睡眠阶段.
• 在资源有限的设备上实现睡眠分阶段.
• 创建一个便携和高效的替代传统PSG.

主要方法:

• 开发了一个DistillSleep框架,具有高容量教师模型和紧的学生模型,用于边缘部署.
• 使用多波长金字塔模块和基于变压器的架构进行特征提取.
• 使用知识蒸,将专业知识从教师转移到学生模型.
• 在六个不同队伍的1万多个夜间录音中接受训练和评估.

主要成果:

• 教师模型在多个队伍中获得了最先进的宏观F1分数.
• 学生模型在嵌入式平台上保持了具有竞争力的准确性 (高达79.7%的Macro-F1).
• 与之前的方法相比,DistillSleep的计算负载减少了115倍.
• 包括频段重要性和跨时代背景在内的可解释性特征已成功转移到学生模型中.

结论:

• 在单通道EEG格式中提供专家级准确性,低延迟和透明的决策.
• 该框架适用于临床诊断,治疗定位和大规模家庭监测.
• DistillSleep通过提供实用且可靠的解决方案扩大了睡眠药物的范围.