面向可解释的睡眠阶段分类使用跨模态变换器

准确的睡眠分期分类对于评估睡眠健康具有重要意义。近年来，已经开发出多种基于机器学习的睡眠分期算法，特别是基于深度学习的算法在性能上已达到与人工标注相当的水平。尽管性能有所提升，但大多数基于深度学习的算法的一个局限性在于其黑箱行为，这限制了它们在临床环境中的应用。本文提出了一种跨模态变压器（cross-modal transformer），这是一种基于变压器的方法，用于睡眠分期分类。所提出的跨模态变压器包括一种新颖的跨模态变压器编码器架构以及一个多尺度一维卷积神经网络，用于自动表示学习。我们的方法在性能上超过了现有最先进方法，并通过利用注意力模块的可解释性方面消除了深度学习模型的黑箱行为。此外，与现有最先进方法相比，我们的方法显著减少了参数数量和训练时间。我们的代码可在 https://github.com/Jathurshan0330/Cross-Modal-Transformer 获取。有关我们工作的演示，请访问 https://bit.ly/Cross_modal_transformer_demo。