Gemeinsames Klassifikations- und Vorhersagemodell auf Basis von CNN für die automatische Klassifizierung von Schlafstadien

Die korrekte Identifizierung von Schlafstadien ist für die Diagnose und Behandlung von Schlafstörungen von großer Bedeutung. Diese Arbeit schlägt ein gemeinsames Klassifikations- und Vorhersageframework auf Basis von Faltungsneuronalen Netzen (CNNs) zur automatischen Einteilung der Schlafstadien vor und stellt anschließend eine einfache, aber effiziente CNN-Architektur vor, um das Framework zu unterstützen. Bei einem einzelnen Eingabe-Epoch wird das neuartige Framework sowohl dessen Etikett (Klassifikation) als auch die Etiketten der benachbarten Epochen (Vorhersage) im kontextuellen Output bestimmt. Während das vorgeschlagene Framework orthogonal zu den weit verbreiteten Klassifikationsverfahren ist, die ein oder mehrere Epochen als kontextuelle Eingaben verwenden und eine einzige Klassifikationsentscheidung für die Ziel-Epoche erzeugen, zeigen wir seine Vorteile auf verschiedene Weise. Erstens nutzt es die Abhängigkeiten zwischen aufeinanderfolgenden Schlafepochen, während es gleichzeitig die Probleme überwindet, die mit den gängigen Klassifikationsverfahren auftreten. Zweitens kann das Framework selbst mit einem einzelnen Modell mehrere Entscheidungen treffen, was für eine gute Leistung wie bei Methoden mit Ensemble-Modellen entscheidend ist, wobei der zusätzliche Rechenaufwand sehr gering ist. Anschließend werden probabilistische Aggregierungstechniken vorgeschlagen, um den Vorteil der Verfügbarkeit mehrerer Entscheidungen zu nutzen. Wir führten Experimente an zwei öffentlichen Datensätzen durch: dem erweiterten Sleep-EDF-Datensatz mit 20 Probanden und dem Montreal Archive of Sleep Studies-Datensatz mit 200 Probanden. Das vorgeschlagene Framework erreicht eine Gesamtgenauigkeit der Klassifikation von 82,3 % und 83,6 % jeweils. Wir zeigen zudem, dass das vorgeschlagene Framework nicht nur den Baselines überlegen ist, die auf gängigen Klassifikationsverfahren basieren, sondern auch existierende Deep-Learning-Ansätze übertrifft. Nach unserem Wissen handelt es sich hierbei um die erste Arbeit, die über das Standardverfahren der Einzelausgabe-Klassifikation hinausgeht und Multitask-Neuronale Netze für die automatische Einteilung der Schlafstadien in Betracht zieht. Dieses Framework bietet Möglichkeiten für weitere Studien verschiedener Neuronalnetz-Architekturen zur automatischen Einteilung der Schlafstadien.