Tiefe Faltungsneuronale Netze für interpretierbare Analyse der EEG-Schlafstadienbewertung

Schlafstudien sind wichtig für die Diagnose von Schlafstörungen wie Insomnie, Narcolepsie oder Schlafapnoe. Sie basieren auf der manuellen Einstufung von Schlafphasen aus rohen Polysomnographiesignalen, was eine mühsame visuelle Aufgabe ist, die den Arbeitsaufwand hochqualifizierter Fachkräfte erfordert. Daher wurden in den letzten Jahren Forschungsanstrengungen unternommen, um automatisierte Einstufungsmethoden auf der Grundlage maschineller Lernverfahren zu entwickeln. In dieser Arbeit verwenden wir die Multitaper-Spektralanalyse, um visuell interpretierbare Bilder von Schlaffeldern aus EEG-Signalen zu erstellen, die als Eingabe in ein tiefes Faltungsnetz (Deep Convolutional Network) trainiert wird, um visuelle Erkennungsaufgaben zu lösen. Als Beispiel für Transferlernen wird ein System vorgestellt, das in der Lage ist, Schlafphasen bei neuen unbekannten Patienten genauer zu klassifizieren. Die Bewertungen an einem weit verbreiteten öffentlich zugänglichen Datensatz ergeben vergleichsweise günstige Ergebnisse im Vergleich zum Stand der Technik und bieten gleichzeitig einen Rahmen für die visuelle Interpretation der Auswertungen.