Vers une classification des stades du sommeil interprétable à l'aide de transformateurs multimodaux

Une classification précise des stades de sommeil est cruciale pour l'évaluation de la santé du sommeil. Au cours des dernières années, plusieurs algorithmes de classification des stades de sommeil basés sur l'apprentissage automatique ont été développés, et en particulier, les algorithmes basés sur l'apprentissage profond ont atteint des performances comparables à celles de l'annotation manuelle. Malgré ces améliorations, une limitation majeure de la plupart des algorithmes basés sur l'apprentissage profond est leur comportement de boîte noire, ce qui a restreint leur utilisation dans les environnements cliniques. Dans cet article, nous proposons un transformateur multimodal, méthode basée sur les transformateurs pour la classification des stades de sommeil. Le transformateur multimodal proposé se compose d'une nouvelle architecture d'encodeur multimodal ainsi que d'un réseau neuronal convolutif unidimensionnel à multi-échelles pour l'apprentissage automatique des représentations. Notre méthode surpasse les méthodes actuelles les plus avancées et élimine le comportement de boîte noire des modèles d'apprentissage profond en utilisant l'aspect interprétable des modules d'attention. De plus, notre méthode offre une réduction considérable du nombre de paramètres et du temps d'entraînement par rapport aux méthodes actuelles les plus avancées. Notre code source est disponible à l'adresse suivante : https://github.com/Jathurshan0330/Cross-Modal-Transformer. Une démonstration de notre travail peut être consultée à cette adresse : https://bit.ly/Cross_modal_transformer_demo.