摘要

睡眠阶段分类是诊断睡眠障碍和评估睡眠质量的关键方面。然而，传统的手动评分过程由临床医生进行，耗时且容易受到人为偏见的影响。近年来，深度学习的进展显著推动了睡眠阶段分类的自动化。尽管如此，仍存在一些挑战，包括对大量带标签数据集的需求以及人类生成注释中的固有偏见。本文介绍了一种名为NeuroNet的自监督学习（SSL）框架，该框架通过整合对比学习任务和掩码预测任务，有效利用未标记的单通道睡眠脑电图（EEG）信号。通过在三个多导睡眠图（PSG）数据集上进行的广泛实验，NeuroNet展示了优于现有自监督学习方法的性能。此外，本研究提出了一种基于Mamba的时间上下文模块，用于捕捉不同EEG时间段之间的关系。将NeuroNet与基于Mamba的时间上下文模块结合使用，即使在标签数据有限的情况下，也能达到甚至超过最新的监督学习方法的性能。本研究有望在睡眠阶段分类领域建立新的基准，为未来的睡眠分析研究和应用提供指导。