HyperAIHyperAI
il y a 2 mois

XSleepNet : Modèle séquentiel multi-vues pour le stade de sommeil automatique

Huy Phan; Oliver Y. Chén; Minh C. Tran; Philipp Koch; Alfred Mertins; Maarten De Vos
XSleepNet : Modèle séquentiel multi-vues pour le stade de sommeil automatique
Résumé

L'automatisation de l'étagement du sommeil est cruciale pour élargir l'évaluation et le diagnostic du sommeil afin de servir des millions de personnes souffrant de privation de sommeil et de troubles du sommeil, et d'activer la surveillance longitudinale du sommeil dans les environnements domestiques. L'apprentissage à partir des signaux bruts de la polygraphie du sommeil et de leurs représentations images temps-fréquence a été prédominant. Cependant, l'apprentissage à partir d'entrées multi-vues (par exemple, à la fois les signaux bruts et les images temps-fréquence) pour l'étagement du sommeil est complexe et mal compris. Cette étude propose un modèle d'étagement du sommeil séquence-à-séquence, XSleepNet, capable d'apprendre une représentation conjointe à partir des signaux bruts et des images temps-fréquence. Étant donné que différentes vues peuvent généraliser ou surapprendre à des vitesses différentes, le réseau proposé est formé de manière à ce que le rythme d'apprentissage sur chaque vue soit adapté en fonction de leur comportement de généralisation/surapprentissage. En termes simples, l'apprentissage sur une vue particulière est accéléré lorsqu'elle généralise bien et ralenti lorsqu'elle surapprend. Les mesures spécifiques à chaque vue de la généralisation/surapprentissage sont calculées en temps réel au cours de la formation et utilisées pour dériver des poids permettant de combiner les gradients provenant des différentes vues. Par conséquent, le réseau est capable de conserver la puissance représentative des différentes vues dans les caractéristiques conjointes qui représentent la distribution sous-jacente mieux que celles apprises par chaque vue individuelle seule. De plus, l'architecture XSleepNet est principalement conçue pour gagner en robustesse face à la quantité de données d'entraînement et pour augmenter la complémentarité entre les vues d'entrée. Les résultats expérimentaux sur cinq bases de données de tailles variées montrent que XSleepNet dépasse constamment les méthodes mono-vue et multi-vue basées sur une stratégie simple d'fusion. Enfin, XSleepNet surpass également les méthodes précédentes d'étagement du sommeil et améliore les résultats antérieurs d'avant-garde sur les bases de données expérimentales.Note: There was a minor typo in the last sentence ("dépasse constamment" should be "dépasse constamment") which I have corrected in the translation.

XSleepNet : Modèle séquentiel multi-vues pour le stade de sommeil automatique | Articles de recherche récents | HyperAI