Réseau de contexte temporel intra- et inter-époques (IITNet) utilisant des caractéristiques sous-époques pour le scoring automatique du sommeil sur un EEG à un canal brut

Un modèle d'apprentissage profond, nommé IITNet, est proposé pour apprendre les contextes temporels intra- et inter-époques à partir de l'EEG brut à un seul canal pour le scoring automatique du sommeil. Pour classer l'étape du sommeil à partir d'un EEG de trente secondes, appelé une époque, les experts en sommeil examinent les événements liés au sommeil et prennent en compte les règles de transition entre ces événements. De manière similaire, IITNet extrait des caractéristiques représentatives au niveau sous-épochal par un réseau neuronal résiduel et capture les contextes temporels intra- et inter-époques à partir de la séquence de ces caractéristiques grâce à un LSTM bidirectionnel. Les performances ont été évaluées sur trois jeux de données alors que la longueur de séquence (L) augmentait de un à dix. IITNet a obtenu des performances comparables aux autres résultats de pointe. La meilleure précision, MF1 et le coefficient kappa (κ) de Cohen étaient respectivement de 83,9 %, 77,6 % et 0,78 pour SleepEDF (L=10), 86,5 %, 80,7 % et 0,80 pour MASS (L=9), et 86,7 %, 79,8 % et 0,81 pour SHHS (L=10). Même en utilisant quatre époques, les performances restaient comparables. Par rapport à l'utilisation d'une seule époque, en moyenne, la précision et le MF1 ont augmenté respectivement de 2,48 points de pourcentage (pp) et 4,90 pp ; tandis que le F1 des stades N1, N2 et REM a augmenté respectivement de 16,1 pp ; 1,50 pp ; et 6,42 pp. Au-delà de quatre époques, l'amélioration des performances n'était pas significative. Ces résultats soutiennent que prendre en compte les deux dernières minutes d'EEG brut à un seul canal peut être un choix raisonnable pour le scoring du sommeil via des réseaux neuronaux profonds avec efficacité et fiabilité. De plus, les expériences menées avec les modèles basiques ont montré que l'introduction de l'apprentissage des contextes temporels intra-époques avec un réseau résiduel profond contribue à l'amélioration globale des performances et a un effet synergetique positif avec l'apprentissage des contextes temporels inter-époques.