Cadre de classification et de prédiction conjointe CNN pour la classification automatique des stades du sommeil

L'identification correcte des stades de sommeil est essentielle pour le diagnostic et le traitement des troubles du sommeil. Cette étude propose un cadre de classification et de prédiction conjoint basé sur les CNN (réseaux de neurones convolutifs) pour l'étagement automatique du sommeil, puis introduit une architecture CNN simple mais efficace pour alimenter ce cadre. Étant donné un seul échantillon d'époque en entrée, le nouveau cadre détermine conjointement son étiquette (classification) et les étiquettes des époques voisines (prédiction) dans la sortie contextuelle. Bien que le cadre proposé soit orthogonal aux schémas de classification largement adoptés, qui prennent en entrée une ou plusieurs époques contextuelles et produisent une seule décision de classification sur l'époque cible, nous démontrons ses avantages de plusieurs manières. Premièrement, il exploite la dépendance entre les époques de sommeil consécutives tout en surpassant les problèmes rencontrés avec les schémas de classification courants. Deuxièmement, même avec un seul modèle, le cadre a la capacité de produire plusieurs décisions, ce qui est crucial pour obtenir une bonne performance comme dans les méthodes d'ensemble de modèles, avec très peu d'overhead computationnel induit. Des techniques d'agrégation probabiliste sont ensuite proposées pour tirer parti de la disponibilité de plusieurs décisions. Nous avons mené des expériences sur deux jeux de données publics : Sleep-EDF Extended comprenant 20 sujets, et le dataset Montreal Archive of Sleep Studies comprenant 200 sujets. Le cadre proposé atteint respectivement une précision globale de classification de 82,3 % et 83,6 %. Nous montrons également que le cadre proposé non seulement est supérieur aux lignes directrices basées sur les schémas de classification courants mais aussi surpasses les approches existantes basées sur l'apprentissage profond. À notre connaissance, il s'agit du premier travail qui dépasse la classification à sortie unique standard pour considérer des réseaux neuronaux multitâches pour l'étagement automatique du sommeil. Ce cadre offre des perspectives pour des études ultérieures portant sur différentes architectures de réseaux neuronaux pour l'étagement automatique du sommeil.