MFST-GCN:一种基于多特征时空图形卷积网络的睡眠阶段分类方法
Huifu Li1, Xun Zhang1,2,3, Ke Guo1
1School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China.
Brain sciences
|February 27, 2026
概括
这项研究引入了一种新的图形深度学习框架,MFST-GCN,用于准确的睡眠阶段分类. 它有效地模拟大脑信号时间延迟和区域变异,显著改善睡眠障碍诊断.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 准确的睡眠阶段分类对于评估睡眠质量和诊断睡眠障碍至关重要.
- 当前的深度学习模型与复杂的大脑动态作斗争,包括神经信号时间延迟和区域激活差异.
研究的目的:
- 开发一个先进的深度学习框架,MFST-GCN,以改进睡眠阶段的分类.
- 为了明确模拟神经生物学现象,如时间滞后效应和脑活动的区域变化.
主要方法:
- 提出了MFST-GCN,这是一个基于图形的深度学习框架,有三个模块:DDFCM,MMFEN和ASTGCN.
- DDFCM模型使用双尺度相关性 (1s和5s) 来模拟时间变化的功能连接.
- MMFEN提取频率特定的EEG特征,ASTGCN将时空信息与注意力机制集成在一起.
主要成果:
- 在ISRUC-S1数据集上达到0.823的高F1得分,在ISRUC-S3数据集上达到0.835.
- 在睡眠阶段分类方面表现优于现有的最先进方法.
- 废弃性研究证实了时间滞后建模的显著贡献.
结论:
- 在睡眠阶段分类方面,MFST-GCN框架表现出卓越的性能.
- 对时间延迟效应的明确建模对于准确区分过渡睡眠阶段至关重要.
- 这种方法提高了改善睡眠障碍诊断的潜力.
