SE-Res-U-Net:一个改进的U-Net架构,用于高效的休眠状态检测和分类
Ghulam Irtaza1,2, Naila Sammar Naz1, Muhammad Usman Saeed3
1School of Computer Science, National College of Business Administration and Economics, Lahore, 54000, Pakistan.
Scientific reports
|November 10, 2025
概括
这项研究引入了一种改进的1D U-Net模型,用于使用生理信号准确的睡眠状态分类. 该模型实现了高精度,为临床和家庭睡眠分析提供了可扩展的解决方案.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 睡眠医学 睡眠医学
背景情况:
- 准确的睡眠状态检测对于诊断睡眠障碍至关重要.
- 传统的方法,如多睡眠学,是资源密集型的,不能扩展.
- 需要有效和自动化的睡眠分析工具.
研究的目的:
- 开发一个改进的1D U-Net模型,以有效地检测和分类睡眠状态.
- 为了增强特征提取和表现生理信号.
- 在临床和家庭环境中提供用于睡眠分析的可扩展解决方案.
主要方法:
- 一个改进的1D U-Net架构,在编码器中包含剩余块,用于深度特征提取.
- 解码器中具有注意力机制的挤压和激发块,以增强通道智能的功能.
- 处理1D生理数据,包括脑电图 (EEG) 信号.
主要成果:
- 在基准数据集 (Sleep-EDF-20,Sleep-EDF-78,SHHS) 上达到高达94%的准确性.
- 平均F1得分为87.1%,科恩的卡帕为0.84.
- 与基线模型相比,演示了较低的计算开销.
结论:
- 拟议的模型为睡眠状态分类提供了一种有效和高效的方法.
- 该模型的性能和降低的计算成本使其适用于可扩展的应用.
- 这项技术对于临床诊断和远程/家庭睡眠监测都有实际意义.
