摘要
自动睡眠评分对于睡眠障碍的诊断和治疗至关重要，并且能够在家庭环境中实现纵向睡眠监测。传统上，基于单通道脑电图（EEG）的自动睡眠评分研究非常活跃，因为获取多通道信号在睡眠过程中较为困难。然而，从原始EEG信号中学习表示面临以下挑战：1) 睡眠相关的EEG模式出现在不同的时间和频率尺度上；2) 不同的睡眠阶段具有相似的EEG模式。为了解决这些问题，我们提出了一种名为SleePyCo的深度学习框架，该框架结合了1) 特征金字塔和2) 监督对比学习来进行自动睡眠评分。在特征金字塔方面，我们设计了一个名为SleePyCo-backbone的基础网络，以考虑不同时间和频率尺度上的多个特征序列。监督对比学习通过最小化类内特征之间的距离并同时最大化类间特征之间的距离，使网络能够提取出具有分类辨别性的特征。对四个公开数据集进行的比较分析表明，SleePyCo在基于单通道EEG的现有框架中始终表现出色。广泛的消融实验显示，SleePyCo的整体性能得到了增强，并且在N1和快速眼动（REM）阶段之间的区分能力显著提高。
代码仓库
gist-ailab/sleepyco
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| sleep-stage-detection-on-mass-single-channel | SleePyCo (C4-A1 only) | Accuracy: 86.8% Cohen's Kappa: 0.811 Macro-F1: 0.825 |
| sleep-stage-detection-on-montreal-archive-of | SleePyCo (C4-A1 only) | Accuracy: 86.8% Cohen's kappa: 0.811 Macro-F1: 0.825 |
| sleep-stage-detection-on-physionet-challenge | SleePyCo (C3-A2 only) | Accuracy: 80.9% Cohen's Kappa: 0.737 Macro-F1: 0.789 |
| sleep-stage-detection-on-physionet-challenge-1 | SleePyCo (C3-A2 only) | Accuracy: 80.9% Cohen's Kappa: 0.737 Macro-F1: 0.789 |
| sleep-stage-detection-on-shhs-single-channel | SleePyCo (C4-A1 only) | Accuracy: 87.9% Cohen's Kappa: 0.830 Macro-F1: 0.807 |
| sleep-stage-detection-on-sleep-edf | SleePyCo (Fpz-Cz only) | Accuracy: 86.8% Cohen's kappa: 0.820 Macro-F1: 0.812 |
| sleep-stage-detection-on-sleep-edf-single | SleePyCo (Fpz-Cz only) | Accuracy: 86.8% |
| sleep-stage-detection-on-sleep-edfx | SleePyCo (Fpz-Cz only) | Accuracy: 84.6% Cohen's Kappa: 0.787 Macro-F1: 0.790 |
| sleep-stage-detection-on-sleep-edfx-single | SleePyCo (Fpz-Cz only) | Accuracy: 84.6% Cohen's Kappa: 0.787 Macro-F1: 0.790 |