CoRe-Sleep: Ein multimodales Fusionierungsframework für Zeitreihen, das unvollkommene Modalitäten widersteht

Schlafstörungen können schwerwiegende gesundheitliche Folgen haben. Die automatisierte Schlaffasenbestimmung, d.h. das Kennzeichnen der Abfolge von Schlaffasen anhand der physiologischen Aufzeichnungen des Patienten, könnte den diagnostischen Prozess vereinfachen. Frühere Arbeiten zur automatisierten Schlaffasenbestimmung haben ausgezeichnete Ergebnisse erzielt, wobei sie sich hauptsächlich auf das EEG-Signal stützten. Allerdings sind oft mehrere Informationsquellen verfügbar, die über das EEG hinausgehen. Dies kann besonders vorteilhaft sein, wenn die EEG-Aufzeichnungen rauschig oder sogar vollständig fehlen. In dieser Arbeit schlagen wir CoRe-Sleep vor, ein Netzwerk zur multimodalen Fusion mit koordinierter Darstellung, das sich insbesondere darauf konzentriert, die Robustheit der Signalanalyse bei unvollkommenen Daten zu verbessern. Wir zeigen, wie eine angemessene Verarbeitung multimodaler Informationen entscheidend für die Erreichung dieser Robustheit sein kann. CoRe-Sleep toleriert rauschige oder fehlende Modalsegmente und ermöglicht das Training auf unvollständigen Daten. Zudem zeigt es standesüberragende Leistungen beim Testen sowohl auf multimodalen als auch auf unimodalen Daten unter Verwendung eines einzigen Modells in der SHHS-1-Studie, der größten öffentlich zugänglichen Studie, die Schlaffasenlabels enthält. Die Ergebnisse deuten darauf hin, dass das Training des Modells auf multimodalen Daten positiv die Leistung beeinflusst, wenn es auf unimodalen Daten getestet wird. Diese Arbeit zielt darauf ab, die Lücke zwischen automatisierten Analysetools und ihrer klinischen Nutzen zu schließen.