SleePyCo : Évaluation automatique du sommeil avec une pyramide de caractéristiques et un apprentissage par contraste

L'annotation automatique du sommeil est essentielle pour le diagnostic et le traitement des troubles du sommeil et permet un suivi longitudinal du sommeil dans les environnements domestiques. Traditionnellement, l'annotation automatique basée sur l'apprentissage à partir d'un seul canal électroencéphalographique (EEG) est activement étudiée car l'obtention de signaux multicanal pendant le sommeil est difficile. Cependant, l'apprentissage de représentations à partir de signaux EEG bruts est complexe en raison des problèmes suivants : 1) les motifs EEG liés au sommeil se produisent à différentes échelles temporelles et fréquentielles ; 2) les stades de sommeil partagent des motifs EEG similaires. Pour résoudre ces problèmes, nous proposons un cadre d'apprentissage profond nommé SleePyCo qui intègre 1) une pyramide de caractéristiques et 2) un apprentissage contrastif supervisé pour l'annotation automatique du sommeil. Pour la pyramide de caractéristiques, nous proposons un réseau de base nommé SleePyCo-backbone afin de prendre en compte plusieurs séquences de caractéristiques à différentes échelles temporelles et fréquentielles. L'apprentissage contrastif supervisé permet au réseau d'extraire des caractéristiques discriminantes entre classes en minimisant la distance entre les caractéristiques intra-classes tout en maximisant simultanément celle entre les caractéristiques inter-classes. Des analyses comparatives sur quatre jeux de données publics montrent que SleePyCo surpasse constamment les cadres existants basés sur un seul canal EEG. Des expériences ablatives approfondies démontrent que SleePyCo présente une performance globale améliorée, avec des améliorations significatives dans la discrimination entre les stades N1 et mouvements oculaires rapides (REM).