摘要

睡眠异常可能会导致严重的健康后果。自动睡眠分期，即根据患者的生理记录对睡眠阶段进行标记，可以简化诊断过程。以往在自动睡眠分期方面的研究已经取得了显著成果，主要依赖于脑电图（EEG）信号。然而，除了EEG之外，通常还有多种信息来源可供利用。这在EEG记录嘈杂或完全缺失时尤为有利。本文提出了一种名为CoRe-Sleep的协调表示多模态融合网络，特别关注提高在不完美数据上的信号分析鲁棒性。我们展示了如何适当处理多模态信息是实现这种鲁棒性的关键。CoRe-Sleep能够容忍噪声或缺失的模态段，允许在不完整的数据上进行训练。此外，在使用单一模型对SHHS-1（目前最大的公开包含睡眠阶段标签的研究）中的多模态和单模态数据进行测试时，它表现出最先进的性能。结果表明，在多模态数据上训练模型确实能正面影响其在单模态数据上的表现。本研究旨在弥合自动化分析工具与其临床应用之间的差距。