PSG-MAE:使用多通道 PSG 重建和通道间对比学习进行强大的多任务睡眠事件监控

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:

• 多睡眠学 (PSG) 对于睡眠研究和睡眠障碍诊断至关重要.
• 深度神经网络 (DNN) 提供自动化的PSG分析,但由于数据稀缺和概括问题而面临限制.
• 目前的方法通常依赖于单任务学习,阻碍了数据集和新睡眠事件的稳定性.

研究的目的:

• 开发一个强大的预培训框架,PSG-MAE,用于自动化多睡眠学 (PSG) 信号分析.
• 提高睡眠事件监测深度学习模型的概括能力和跨数据集的稳定性.
• 利用未标记的PSG数据进行自我监督学习,以改善特征提取.

主要方法:

• 提议PSG-MAE,一个基于自我监督学习的面具自动编码器 (MAE) 预训框架.
• 实现了跨PSG通道的互补掩盖以及多通道信号重建机制.
• 整合了一个道间对比学习 (ICCL) 策略,以建模潜在的道间关系.

主要成果:

• PSG-MAE有效地从多通道的PSG信号中学习时间特征和通道间的依赖性.
• 精细调整预训练的编码器在SHHS数据集上实现了81.0%的睡眠分期F1分数和82.6%的呼吸暂停检测.
• 对MESA数据集的交叉数据集验证证明了该框架的稳定性和广泛适用性.

结论:

• PSG-MAE提供了一个强大的特征提取网络,适用于各种睡眠事件监控任务.
• 该框架显著提高了用于睡眠分析的DNN的性能和通用性.
• 这种方法解决了睡眠医学中的数据局限性,为更可靠的自动诊断铺平了道路.