Vers un modèle fondamental pour l'analyse du sommeil à l'aide d'un cadre hybride auto-supervisé multimodal

Le sommeil est essentiel au maintien de la santé humaine et de la qualité de vie. L’analyse des signaux physiologiques pendant le sommeil est cruciale pour évaluer la qualité du sommeil et diagnostiquer les troubles du sommeil. Toutefois, les diagnostics manuels effectués par les cliniciens sont longs et subjectifs. Malgré les progrès réalisés dans le domaine du deep learning, qui ont permis une meilleure automatisation, ces approches restent fortement dépendantes de grands ensembles de données étiquetées. Cette étude présente SynthSleepNet, un cadre hybride auto-supervisé multimodal conçu pour l’analyse des données de polysomnographie (PSG). SynthSleepNet intègre efficacement la prédiction masquée et l’apprentissage contrastif afin d’exploiter les caractéristiques complémentaires issues de plusieurs modalités, notamment l’électroencéphalogramme (EEG), l’électrooculogramme (EOG), l’électromyogramme (EMG) et l’électrocardiogramme (ECG). Cette approche permet au modèle d’apprendre des représentations hautement expressives des données PSG. Par ailleurs, un module de contexte temporel basé sur Mamba a été développé pour capter de manière efficace les informations contextuelles à travers les signaux. SynthSleepNet a atteint des performances supérieures à celles des méthodes de pointe sur trois tâches à valeur ajoutée : la classification des stades du sommeil, la détection de l’apnée et la détection de l’hypopnée, avec des précisions respectives de 89,89 %, 99,75 % et 89,60 %. Le modèle a également démontré une robustesse remarquable dans un cadre d’apprentissage semi-supervisé à faible étiquetage, obtenant des précisions de 87,98 %, 99,37 % et 77,52 % pour les mêmes tâches. Ces résultats soulignent le potentiel du modèle en tant qu’outil fondamental pour l’analyse approfondie des données PSG. SynthSleepNet se distingue de manière globale par ses performances supérieures sur plusieurs tâches à valeur ajoutée par rapport aux autres méthodologies, et devrait ainsi établir une nouvelle norme pour les systèmes de surveillance et de diagnostic des troubles du sommeil.