多尺度睡眠网:一种混合CNN-BiLSTM变压器架构,具有多尺度特征表示,用于单通道EEG睡眠阶段分类
Cenyu Liu1, Qinglin Guan1, Wei Zhang1
1China-UK Low Carbon College, Shanghai Jiaotong University, Shanghai 200240, China.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
本研究介绍了MultiScaleSleepNet,这是一个高效的深度学习模型,用于自动分类单通道脑电图 (EEG) 的睡眠阶段. 该模型在基准数据集上实现了高精度,使其适用于可穿戴设备.
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:
- 从单通道EEG精确的自动睡眠阶段分类是具有挑战性的.
- 现有的方法在多尺度特征提取和长距离时间依赖方面扎.
- 需要对可穿戴设备和边缘设备提供高效的模型.
研究的目的:
- 开发一个高效和紧的深度学习架构,用于单通道EEG睡眠阶段.
- 为了解决特征提取和时间依赖模型的局限性.
- 为了创建一个适合可穿戴和边缘设备应用的模型.
主要方法:
- 提出了MultiScaleSleepNet,这是一个混合CNN-BiLSTM-变压器架构.
- 使用并行卷积分支提取了多尺度的时间和光谱特征.
- 采用BiLSTM和基于变压器的注意力进行序列建模.
主要成果:
- 在睡眠-EDF (88.6%准确率,0.833 F1,0.84 kappa),睡眠-EDF扩展 (85.6%准确率,0.811 F1,0.80 kappa) 和SHHS (84.6%准确率,0.745 F1,0.79 kappa) 数据集上实现了高性能.
- 注意力机制和光谱融合显著改善了表现,特别是在N1,N3和REM睡眠阶段.
- 该模型具有紧的尺寸 (190万个参数),证明了数据集的稳定性.
结论:
- MultiScaleSleepNet为单通道EEG的自动睡眠分阶段提供了具有竞争力的和强大的性能.
- 参数有效的设计适用于便携式系统上的实时应用.
- 该研究验证了使用深度学习用于可访问的睡眠分析的可行性.
