Intra- und Inter-Epochenzeitlicher Kontextnetzwerk (IITNet) zur automatischen Schlafbewertung anhand roher Ein-Kanal-EEG-Daten unter Verwendung von Sub-Epoch-Features

Ein tiefes Lernmodell namens IITNet wurde vorgeschlagen, um intra- und inter-epochezeitliche Kontexte aus rohen Einzelspur-EEG-Daten für die automatische Schlafbewertung zu lernen. Um den Schlafstadium von halbminütigen EEG-Aufzeichnungen, als Epochen bezeichnet, zu klassifizieren, untersuchen Schlaffachexperten schlaffazitische Ereignisse und berücksichtigen die Übergangsregeln zwischen den gefundenen Ereignissen. Ähnlich wie dies funktioniert, extrahiert IITNet repräsentative Merkmale auf Sub-Epochen-Niveau durch ein Residuelles Neuronales Netzwerk und erfasst intra- und inter-epochezeitliche Kontexte aus der Sequenz dieser Merkmale mittels bidirektionaler LSTM.Die Leistung wurde für drei Datensätze untersucht, während die Sequenzlänge (L) von einer auf zehn Epochen erhöht wurde. IITNet erreichte vergleichbare Ergebnisse mit anderen Stand der Technik. Die besten Werte für Genauigkeit, MF1 und Cohens Kappa ($κ$) betrugen 83,9 %, 77,6 % und 0,78 für SleepEDF (L=10), 86,5 %, 80,7 % und 0,80 für MASS (L=9) sowie 86,7 %, 79,8 % und 0,81 für SHHS (L=10). Selbst bei Verwendung von vier Epochen war die Leistung noch vergleichbar. Verglichen mit der Verwendung einer einzelnen Epoche stieg die Genauigkeit und das MF1 im Durchschnitt um 2,48 Prozentpunkte (pp) und 4,90 pp; das F1-Maß für N1-, N2- und REM-Schlaf erhöhte sich um 16,1 pp, 1,50 pp und 6,42 pp jeweils. Ab vier Epochen war der Leistungsanstieg nicht mehr signifikant. Die Ergebnisse legen nahe, dass die Berücksichtigung der neuesten zwei Minuten roher Einzelspur-EEG-Daten eine vernünftige Wahl für die Schlafbewertung durch tiefe neuronale Netze in Bezug auf Effizienz und Zuverlässigkeit sein kann.Darüber hinaus zeigten Experimente mit Baseline-Modellen, dass das Einführen des Lernens von intra-epochezeitlichen Kontexten durch ein tiefes Residuelles Netzwerk zur Verbesserung der Gesamtleistung beiträgt und einen positiven Synergieeffekt mit dem Lernen von inter-epochezeitlichen Kontexten hat.