通过多分辨率CNN和Mamba集成增强新生儿睡眠分析

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:

• 准确的新生儿睡眠阶段分类对于诊断睡眠障碍至关重要.
• 手动注释EEG信号是费力和耗时的.
• 当前的深度学习方法在捕捉双向阶段间依赖性方面面临挑战.

研究的目的:

• 开发一个高效的深度学习框架,用于新生儿睡眠阶段.
• 通过解决时间建模中的局限性来提高睡眠分类的准确性.
• 提高新生儿自动睡眠分析的临床适用性.

主要方法:

• 集成多分辨率卷积神经网络 (MRCNN) 进行分层特征提取.
• 使用双向Mamba块进行EEG信号的高级时间建模.
• 对临床新生儿睡眠数据集的评估,使用对多个睡眠任务的10倍交叉验证.

主要成果:

• 与最先进的方法相比,拟议的框架显示出更高的性能.
• 在安静睡眠 (QS) 检测中实现了高精度 (0.877) 和宏F1得分 (0.868).
• 在睡眠-清醒分类和三类睡眠阶段中展示了强度和临床适用性.

结论:

• 开发的框架为新生儿睡眠分期提供了有效和准确的解决方案.
• 该方法有效地捕捉了阶段内特征和阶段间依赖关系.
• 为临床医生在监测神经发育和指导早期干预方面提供了宝贵的工具.