MC2SleepNet: Multimodale Cross-Masking mit kontrastivem Lernen für die Schlafstadienklassifikation

Schlaf beeinflusst unsere Gesundheit entscheidend, und Schlafmangel oder Schlafstörungen können sowohl physische als auch psychische Probleme verursachen. Trotz bedeutender Erkenntnisse aus früheren Studien bestehen weiterhin Herausforderungen bei der Optimierung von Deep-Learning-Modellen, insbesondere im Bereich der multimodalen Lernverfahren zur hochgenauen Klassifikation von Schlafstadien. In unserer Forschung stellen wir MC2SleepNet (Multi-modal Cross-masking with Contrastive learning for Sleep stage classification Network) vor. Das Modell zielt darauf ab, die effektive Zusammenarbeit zwischen Convolutional Neural Networks (CNNs) und Transformer-Architekturen bei der multimodalen Ausbildung durch den Einsatz von Contrastive Learning und Cross-masking zu fördern. Rohsignale aus einzelnen EEG-Kanälen und die entsprechenden Spektrogramme liefern dabei unterschiedlich charakterisierte Modaliäten für das multimodale Lernen. Unser MC2SleepNet erreicht mit einer Genauigkeit von 84,6 % auf dem SleepEDF-78-Datensatz und 88,6 % auf dem Sleep Heart Health Study (SHHS)-Datensatz Leistungen auf aktuellem Stand der Technik. Diese Ergebnisse belegen die effektive Generalisierbarkeit unseres vorgeschlagenen Netzwerks sowohl auf kleineren als auch auf größeren Datensätzen.