NeuroNet: Ein neues hybrides selbstüberwachtes Lernframework für die Klassifizierung von Schlafstadien mit Hilfe von einkanaliger EEG-Aufzeichnung

Die Klassifizierung von Schlafstadien ist ein zentrales Element bei der Diagnose von Schlafstörungen und der Bewertung der Schlafqualität. Allerdings ist der herkömmliche manuelle Scoringprozess, der von Klinikern durchgeführt wird, zeitaufwendig und anfällig für menschliche Verzerrungen. Neueste Fortschritte im Bereich des Deep Learnings haben die Automatisierung der Schlafstadienklassifizierung erheblich vorangetrieben. Dennoch bestehen Herausforderungen, darunter das Bedürfnis nach großen Datensätzen mit Labels und die in menschengenerierten Annotationen verborgenen Verzerrungen. In dieser Arbeit wird NeuroNet vorgestellt, ein Framework für selbstüberwachtes Lernen (Self-Supervised Learning, SSL), das entwickelt wurde, um effektiv ungelabelte Einzelkanal-Schlaf-Elektroenzephalogramm (EEG)-Signale durch die Integration kontrastiver Lernaufgaben und maskierter Vorhersageaufgaben zu nutzen. NeuroNet zeigt durch umfangreiche Experimente auf drei Polysomnographie-(PSG)-Datensätzen eine überlegene Leistung gegenüber existierenden SSL-Methoden. Darüber hinaus schlägt diese Studie ein zeitliches Kontextmodul basierend auf Mamba vor, um die Beziehungen zwischen verschiedenen EEG-Äpochen zu erfassen. Die Kombination von NeuroNet mit dem Mamba-basierten zeitlichen Kontextmodul hat gezeigt, dass sie in der Lage ist, die Leistung der neuesten überwachten Lernmethoden zu erreichen oder sogar zu übertreffen, auch bei einer begrenzten Menge an gelabelten Daten. Diese Studie soll einen neuen Maßstab in der Schlafstadienklassifizierung setzen und zukünftige Forschung und Anwendungen im Bereich der Schlafforschung fördern.