基于子阶段特征的自动单通道原始EEG睡眠评分的时内及时间段间时间上下文网络（IITNet）

提出了一种名为IITNet的深度学习模型，用于从原始单通道脑电图（EEG）中自动睡眠分期评分，学习其内部和跨时段的时间上下文。为了对半分钟的脑电图（称为一个时段）进行睡眠阶段分类，睡眠专家会研究与睡眠相关的事件，并考虑这些事件之间的转换规则。类似地，IITNet通过残差神经网络在子时段级别提取代表性特征，并通过双向长短期记忆网络（bidirectional LSTM）从这些特征序列中捕捉内部和跨时段的时间上下文。该模型的性能在三个数据集上进行了评估，随着序列长度（L）从1增加到10。IITNet达到了与其他最先进方法相当的性能水平。对于SleepEDF数据集（L=10），最佳准确率、宏F1值（MF1）和Cohen's kappa ($κ$)分别为83.9%、77.6%和0.78；对于MASS数据集（L=9），分别为86.5%、80.7%和0.80；对于SHHS数据集（L=10），分别为86.7%、79.8%和0.81。即使使用四个时段的数据，性能仍然相当。与仅使用一个时段相比，平均准确率和MF1分别提高了2.48个百分点和4.90个百分点，N1、N2和REM阶段的F1值分别提高了16.1个百分点、1.50个百分点和6.42个百分点。超过四个时段后，性能提升不再显著。结果表明，考虑最近两分钟的原始单通道脑电图可以作为通过深度神经网络进行高效且可靠的睡眠评分的一个合理选择。此外，基线实验的结果显示，在深度残差网络中引入内部时段时间上下文学习有助于整体性能的提升，并与跨时段时间上下文学习具有积极的协同效应。