Ein tiefes Wissensdistillationsframework zur Verbesserung der Schlafstadienbestimmung auf Basis von Einleit-ECG mit EEG-Unterstützung

Die Studie zur automatischen Schlafstadienbestimmung wird derzeit mit Hilfe von Elektroenzephalogramm (EEG)-Signalen durchgeführt. Kürzlich haben Ansätze auf Basis des tiefen Lernens (Deep Learning, DL) in diesem Bereich erhebliche Fortschritte ermöglicht und eine nahezu menschliche Genauigkeit bei der automatischen Schlafstadienbestimmung erreicht. Dennoch erfordert die EEG-basierte Schlafstadienbestimmung eine umfangreiche und kostspielige klinische Ausstattung. Zudem ist die Notwendigkeit eines Experten für die Aufstellung sowie das zusätzliche Unbehagen für das untersuchte Subjekt in einem Point-of-Care-Kontext ungünstig. Das Elektrokardiogramm (EKG), ein unaufdringliches Alternativverfahren zum EEG, ist geeigneter, obwohl seine Leistung – wie zu erwarten – im Vergleich zur EEG-basierten Schlafstadienbestimmung nach wie vor unterdurchschnittlich ist. Es wäre daher hilfreich, Wissen vom EEG auf das EKG zu übertragen, um letztendlich die Leistung des Modells bei EKG-basierten Eingaben zu verbessern. Die Knowledge Distillation (Wissensdestillierung, KD) ist ein bekanntes Konzept im DL, das darauf abzielt, Wissen von einem besseren, aber potentiell komplexeren Lehrermodell an ein kompaktes Schülersmodell weiterzugeben. Aufbauend auf diesem Konzept schlagen wir einen cross-modalen KD-Rahmen vor, um die Leistung der EKG-basierten Schlafstadienbestimmung durch Merkmale zu verbessern, die durch Modelle gelernt wurden, die auf EEG trainiert wurden. Zudem führten wir mehrere Experimente mit den einzelnen Komponenten des vorgeschlagenen Modells durch, um tiefere Einblicke in den Destillierungsansatz zu gewinnen. Für unsere Studie wurden Daten von 200 Probanden aus dem Montreal Archive of Sleep Studies (MASS) verwendet. Das vorgeschlagene Modell zeigte eine Steigerung des gewichteten F1-Scores um 14,3 % und 13,4 % bei der vier- und dreiklassigen Schlafstadienbestimmung jeweils. Dies zeigt die Machbarkeit der KD zur Leistungsverbesserung der einkanaligen EKG-basierten Schlafstadienbestimmung bei vierklassiger (W-L-D-R) und dreiklassiger (W-N-R) Klassifikation.