Ein auf Aufmerksamkeit basierender Ansatz der tiefen Lernen für die Klassifikation von Schlafstadien mit einkanaligem EEG

Die automatische Klassifikation von Schlafstadien ist von großer Bedeutung für die Beurteilung der Schlafqualität. In diesem Artikel stellen wir eine neuartige, auf Aufmerksamkeit basierende Architektur für tiefes Lernen namens AttnSleep vor, die zur Klassifikation von Schlafstadien auf der Grundlage von Einzelkanal-EEG-Signalen verwendet wird. Diese Architektur beginnt mit einem Merkmalsextraktionsmodul, das auf einem mehrschichtigen konvolutionellen neuronalen Netzwerk mit mehreren Auflösungen (MRCNN) und einer adaptiven Merkmalsrekalibrierung (AFR) basiert. Das MRCNN ermöglicht die Extraktion von niedrigen und hohen Frequenzmerkmalen, während die AFR die Qualität der extrahierten Merkmale verbessert, indem sie die untereinander bestehenden Abhängigkeiten zwischen den Merkmalen modelliert. Das zweite Modul ist der zeitliche Kontext-Encoder (TCE), der ein Multi-Head-Aufmerksamkeitsmechanismus nutzt, um zeitliche Abhängigkeiten zwischen den extrahierten Merkmalen zu erfassen. Insbesondere setzt die Multi-Head-Aufmerksamkeit kausale Faltungen ein, um die zeitlichen Beziehungen in den Eingabemerkmale zu modellieren. Wir evaluieren die Leistungsfähigkeit unseres vorgeschlagenen AttnSleep-Modells anhand dreier öffentlicher Datensätze. Die Ergebnisse zeigen, dass unser AttnSleep-Modell gegenüber aktuellen State-of-the-Art-Techniken in Bezug auf verschiedene Bewertungsmetriken überlegen ist. Die Quellcodes, experimentellen Daten und ergänzenden Materialien sind unter https://github.com/emadeldeen24/AttnSleep verfügbar.