摘要

自动化睡眠分期对于扩大睡眠评估和诊断规模至关重要，以服务数百万经历睡眠剥夺和睡眠障碍的人群，并实现在家庭环境中进行纵向睡眠监测。从原始多导睡眠图信号及其派生的时间-频率图像表示中学习已成为普遍做法。然而，从多视角输入（例如，原始信号和时间-频率图像）中进行睡眠分期的学习仍然具有挑战性且尚未得到充分理解。本研究提出了一种序列到序列的睡眠分期模型——XSleepNet，该模型能够从原始信号和时间-频率图像中学习联合表示。由于不同视角可能以不同的速率泛化或过拟合，所提出的网络在训练过程中根据其泛化/过拟合行为调整每个视角的学习速度。简而言之，当某个视角表现良好时，其学习速度会加快；而当其出现过拟合时，则会减慢学习速度。在训练过程中动态计算特定视角的泛化/过拟合度量，并用于推导权重以融合来自不同视角的梯度。因此，网络能够在联合特征中保留不同视角的表示能力，这些联合特征比单独由每个视角学到的特征更能代表潜在分布。此外，XSleepNet架构主要设计用于提高对训练数据量的鲁棒性和增加输入视角之间的互补性。在五个不同规模数据库上的实验结果表明，XSleepNet始终优于单视角基线方法和采用简单融合策略的多视角基线方法。最后，XSleepNet还超越了以往的睡眠分期方法，并在实验数据库上改进了先前的最佳结果。