在U-Net模型上使用LSTM和双解码器的适用性,用于使用家庭EEG信号进行睡眠和唤醒评分

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:

• 机器学习越来越多地用于通过多睡眠学 (PSG) 进行睡眠分析.
• 在家用电脑电图 (EEG) 分析睡眠和唤醒得分面临挑战.
• 唤醒检测比睡眠阶段分类更复杂,需要专门的方法.

研究的目的:

• 探索使用U-Net架构的多任务学习,在家庭EEG数据中进行联合睡眠和唤醒评分.
• 在U-Net模型中评估架构创新,包括双向LSTM层和分支双解码器.
• 在各种数据集中评估这些模型的性能和稳定性.

主要方法:

• 使用了具有集成双向LSTM层的U-Net架构.
• 实现了分支双解码器,用于特定任务的输出.
• 在四个数据集上训练和评估模型,包括睡眠呼吸暂停和低噪音EEG的模型.

主要成果:

• 特定的U-Net配置 (SAAS U-Net DD-L, D-L) 在兴奋得分方面表现出色.
• 其他配置 (SAAS U-Net L-DD,L-D) 在睡眠得分方面表现出更好的表现.
• 微调策略进一步提高了睡眠评分的准确性,证明了模型的稳定性.

结论:

• 多任务学习和U-Net架构增强对于家庭EEG睡眠诊断非常有价值.
• 拟议的模型显示了改善睡眠和唤醒得分准确性的实际潜力.
• 这些进展可以导致更可靠的便携式睡眠障碍诊断.