Un cadre de distillation profonde des connaissances pour l'amélioration assistée par EEG du fractionnement du sommeil basé sur un seul dérivation d'ECG

L'étude de la classification automatique des stades du sommeil est actuellement réalisée avec l'aide de signaux d'électroencéphalogramme (EEG). Récemment, les approches basées sur l'apprentissage profond (DL) ont permis des progrès significatifs dans ce domaine, permettant une précision quasi-humaine dans la classification automatique des stades du sommeil. Cependant, la classification des stades du sommeil à partir de l'EEG nécessite un dispositif clinique coûteux et complexe. De plus, le besoin d'un expert pour le montage et les désagréments supplémentaires pour le sujet étudié rendent cette méthode peu favorable dans un contexte de soins au point de service. L'électrocardiogramme (ECG), une alternative moins intrusive à l'EEG, est plus approprié, mais sa performance reste inférieure à celle de la classification des stades du sommeil basée sur l'EEG. Il serait naturellement utile de transférer les connaissances de l'EEG vers l'ECG, afin d'améliorer finalement les performances du modèle sur les entrées basées sur l'ECG. La distillation de connaissances (KD) est un concept reconnu en DL qui vise à transférer les connaissances d'un modèle enseignant performant mais potentiellement plus encombrant vers un modèle élève compact. En nous appuyant sur ce concept, nous proposons un cadre de KD intermodale pour améliorer les performances de la classification des stades du sommeil basée sur l'ECG, grâce à l'aide des caractéristiques apprises par des modèles formés sur l'EEG. De plus, nous avons mené plusieurs expériences sur les composants individuels du modèle proposé afin d'acquérir une meilleure compréhension de l'approche de distillation. Les données de 200 sujets issues de l'Archive montréalaise des études du sommeil (MASS) ont été utilisées pour notre étude. Le modèle proposé a montré une augmentation respective de 14,3 % et 13,4 % du score F1 pondéré dans la classification en quatre classes et en trois classes des stades du sommeil. Ceci démontre la viabilité de la KD pour améliorer les performances de la classification automatique des stades du sommeil basée sur un canal unique ECG dans la classification en quatre classes (W-L-D-R) et en trois classes (W-N-R).