NeuroNet : Un nouveau cadre hybride d'apprentissage auto-supervisé pour la classification des stades du sommeil à l'aide d'un seul canal EEG

La classification des stades de sommeil est un aspect crucial du diagnostic des troubles du sommeil et de l'évaluation de la qualité du sommeil. Cependant, le processus de notation manuelle conventionnel, effectué par les cliniciens, est long et sujet aux biais humains. Les récentes avancées dans l'apprentissage profond ont considérablement accéléré l'automatisation de la classification des stades de sommeil. Néanmoins, des défis persistent, notamment la nécessité d'ensembles de données volumineux avec des étiquettes et les biais inhérents aux annotations générées par les humains. Cet article introduit NeuroNet, un cadre d'apprentissage auto-supervisé (SSL) conçu pour exploiter efficacement les signaux électroencéphalographiques (EEG) à un seul canal non étiquetés en intégrant des tâches d'apprentissage par contraste et des tâches de prédiction masquée. NeuroNet montre une performance supérieure aux méthodologies SSL existantes grâce à des expérimentations approfondies menées sur trois ensembles de données polygraphiques (PSG). De plus, cette étude propose un module de contexte temporel basé sur Mamba pour capturer les relations entre diverses époques EEG. L'association de NeuroNet au module de contexte temporel basé sur Mamba a démontré sa capacité à atteindre, voire surpasser, la performance des dernières méthodologies d'apprentissage supervisé, même avec une quantité limitée de données étiquetées. Cette étude devrait établir un nouveau standard dans la classification des stades de sommeil, promettant de guider les futures recherches et applications dans le domaine de l'analyse du sommeil.