DeepSleepNet : un modèle pour le scoring automatique des stades de sommeil basé sur l'EEG à un canal brut

L'étude actuelle propose un modèle d'apprentissage profond, nommé DeepSleepNet, pour le classement automatique des stades de sommeil basé sur des signaux électroencéphalographiques (EEG) bruts à un seul canal. La plupart des méthodes existantes reposent sur des caractéristiques conçues manuellement, qui nécessitent une connaissance préalable de l'analyse du sommeil. Seules quelques-unes de ces méthodes intègrent les informations temporelles, telles que les règles de transition, qui sont importantes pour identifier les stades de sommeil suivants, dans les caractéristiques extraites. Dans le modèle proposé, nous utilisons des réseaux neuronaux convolutifs pour extraire des caractéristiques invariantes dans le temps et des réseaux à mémoire à court et long terme bidirectionnels (bidirectional-LSTM) pour apprendre automatiquement les règles de transition entre les stades de sommeil à partir d'époques EEG. Nous avons mis en œuvre un algorithme d'entraînement en deux étapes afin d'entraîner notre modèle efficacement. Notre modèle a été évalué en utilisant différents signaux EEG à un seul canal (F4-EOG(Gauche), Fpz-Cz et Pz-Oz) provenant de deux bases de données publiques de sommeil ayant différentes propriétés (par exemple, taux d'échantillonnage) et normes de notation (AASM et R&K). Les résultats ont montré que notre modèle atteignait une précision globale et un score macro F1 similaires (MASS : 86,2% - 81,7%, Sleep-EDF : 82,0% - 76,9%) par rapport aux méthodes les plus avancées (MASS : 85,9% - 80,5%, Sleep-EDF : 78,9% - 73,7%) sur les deux bases de données. Cela démontre que sans modifier l'architecture du modèle ni l'algorithme d'entraînement, notre modèle peut apprendre automatiquement des caractéristiques pour le classement des stades de sommeil à partir de différents signaux EEG bruts à un seul canal provenant de différentes bases de données sans utiliser aucune caractéristique conçue manuellement.