DeepSleepNet: Ein Modell zur automatischen Einstufung von Schlafstadien auf Basis roher Einzelspur-EEG-Daten

Die vorliegende Studie schlägt ein tiefes Lernmodell namens DeepSleepNet vor, das zur automatischen Einteilung von Schlafstadien auf der Basis roher Einzelspur-EEGs dient. Die meisten bestehenden Methoden basieren auf manuell gestalteten Merkmalen, die Vorwissen über die Schaffanalyse erfordern. Nur wenige dieser Methoden kodieren zeitliche Informationen wie Übergangsregeln, die für die Identifizierung der nächsten Schlafstadien wichtig sind, in die extrahierten Merkmale. Im vorgeschlagenen Modell nutzen wir Faltungsneuronale Netze (Convolutional Neural Networks), um zeitlich unveränderliche Merkmale zu extrahieren, und bidirektionale Langzeit-Shortzeit-Gedächtnisnetze (bidirectional Long Short-Term Memory), um Übergangsregeln zwischen den Schlafstadien automatisch aus EEG-Abschnitten zu lernen. Wir implementieren einen zweistufigen Trainingsalgorithmus, um unser Modell effizient zu trainieren. Unser Modell wurde anhand verschiedener Einzelspur-EEGs (F4-EOG(Linke Augapfel), Fpz-Cz und Pz-Oz) aus zwei öffentlichen Schlafdatensätzen evaluiert, die unterschiedliche Eigenschaften (z.B. Abtastrate) und Bewertungsstandards (AASM und R&K) haben. Die Ergebnisse zeigten, dass unser Modell eine vergleichbare Gesamtgenauigkeit und Makro-F1-Wert erreichte (MASS: 86,2%-81,7%, Sleep-EDF: 82,0%-76,9%) im Vergleich zu den neuesten Methoden (MASS: 85,9%-80,5%, Sleep-EDF: 78,9%-73,7%) in beiden Datensätzen. Dies belegt, dass unser Modell ohne Änderungen an der Architektur und dem Trainingsalgorithmus automatisch Merkmale zur Einteilung von Schlafstadien aus verschiedenen rohen Einzelspur-EEGs verschiedener Datensätze lernen kann, ohne irgende manuell gestaltete Merkmale zu verwenden.