基于注意力机制深度学习的单通道脑电图睡眠分期分类方法

2024-06-13 Thu
电子电气工程师学会 (IEEE)《神经系统与康复工程事务》2021年第29卷刊登了一篇题为《一种基于注意力深度学习的单通道EEG睡眠阶段分类方法》的文章。本文由Emadeldeen Edele、Zhenghua Chen、Chengyu Liu、Min Wu、Chee-Keong Kwoh、Xiaoli Li及Cuntai Guan等学者撰写。文章的主要目的是提出一种新型的基于注意力的深度学习模型，用于通过单通道的脑电图（EEG）信号进行自动睡眠阶段分类。
研究背景睡眠是人类重要的生理过程，直接影响到每日生活的各个方面。有研究表明，高质量的睡眠能够促进身体健康和脑功能的提升，而睡眠中断则可能导致失眠或睡眠呼吸暂停等睡眠障碍。睡眠阶段（如浅睡和深睡）对免疫系统、记忆和代谢等起着关键作用，因此通过睡眠监测和睡眠阶段分类来测量睡眠质量显得尤为重要。
传统上，睡眠专家通过多导睡眠图（PSG）来划分睡眠阶段，其中包括脑电图（EEG）、眼动图（EOG）、肌电图（EMG）及心电图（ECG）等信号。近年来，由于单通道EEG的便利性，它在睡眠监测中变得颇具吸引力。单通道EEG信号通常被分成30秒的片段，每个片段由睡眠专家手动检查并分类到六个阶段中的一个，包括清醒期（W）、快速眼动期（REM）和四个非快速眼动期（N1、N2、N3和N4）。然而，这一手动过程非常复杂、耗时且费力，因此需要自动化的睡眠阶段分类系统来辅助睡眠专家。
研究动机与来源随着深度学习技术在多个领域的应用及其卓越性能，研究人员受到启发，开始将其应用于自动化的睡眠阶段分类任务。本研究由南阳理工大学、新加坡资讯通信研究院(A*STAR)和东南大学等机构的学者联合完成，于2021年发表于IEEE《神经系统与康复工程事务》。
研究方法整体框架本文提出一种新型的基于注意力机制的深度学习模型AttnSleep，主要包括三个模块：特征提取模块、多头注意力模块和分类模块。
特征提取模块特征提取模块基于多分辨率卷积神经网络（MRCNN）和自适应特征重校准（AFR）。MRCNN采用两条不同卷积核大小的卷积层分支，分别提取高频和低频特征。AFR模块则通过残差挤压和激励（Residual SE）块来建模这些特征之间的相互依赖关系，进一步优化特征提取。
多头注意力模块在多头注意力机制中，应用因果卷积来捕捉输入特征的时间依赖关系。多头注意力机制允许模型关注输入特征不同部分的重要性，并且可以并行处理，从而大幅减少训练时间。
数据及实验设置研究使用了三个公共数据集（Sleep-EDF-20、Sleep-EDF-78和Sleep Heart Health Study (SHHS)），每个的数据包含单通道EEG信号。实验分别从总体准确率（ACC）、宏观F1分数（MF1）、Cohen’s Kappa系数（κ）和宏观G-Mean等指标评估模型性能。此外，研究还使用了分类别的精准度（PR）、召回率（RE）、F1分数（F1）和G-Mean等指标。
实验结果分类准确率研究结果表明，AttnSleep模型在三个数据集上的表现均优于现有的最先进技术，尤其在处理数据不平衡问题上表现突出。研究使用了20折交叉验证，并通过混淆矩阵对此进行了详细的解析。
模型性能在Sleep-EDF-20、Sleep-EDF-78数据集和SHHS数据集中，阶段N1的表现最差，其F1分数均低于50%，而阶段N3表现最好。对于不同的数据集，不同阶段的错分类情况主要集中于阶段N2，这是由于N2是多数据集中的主要类别。
结论本文提出的AttnSleep模型在自动睡眠阶段分类任务中表现出色，通过极好的特征提取能力及其处理时间依赖关系的高效能，成功超过了现有的最先进技术。研究结果表明，AttnSleep模型能够在处理不同公共数据集时，始终保持稳定和高效的分类性能，这为未来在睡眠监测领域的应用提供了新的思路和方法。
未来，研究计划探讨如何利用迁移学习和领域适应技术，使在有标签数据集上训练的模型可以适应其他无标签睡眠数据集的分类任务。
研究价值该研究不仅在科学和算法上有显著的创新，同时在实际应用中也具有重要的价值。研究提出的新型深度学习架构，不需要复杂的特征工程，能够自动提取并校准特征，极大简化了睡眠阶段分类的过程。此外，其中的多头注意力机制和自适应特征重校准模块的设计，为基于深度学习的时间序列分类问题提供了新的解决思路。这些开创性的工作将推动睡眠监测的自动化和智能化发展，降低临床工作负担，让更多人能够受益于精确的睡眠质量监测。