多视角时空图卷积网络与域泛化在睡眠阶段分类中的应用
睡眠阶段分类在睡眠质量评估和疾病诊断中至关重要。然而，现有的分类方法在处理时间延变的多通道脑信号的空间和时间特征、应对个体生物信号差异以及模型的可解释性方面仍然面临诸多挑战。传统的机器学习方法依赖于复杂的特征工程，而深度学习方法尽管在特征表示学习上表现出色，但在空间-时间特征利用、跨个体泛化能力以及模型可解释性方面仍有待提升。
为了应对上述挑战，北京交通大学的Ziyu Jia等人以及麻省理工学院的Li-Wei H. Lehman提出了一种多视角时空图卷积网络（Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN），并结合域泛化用于睡眠阶段分类。
论文来源
这篇论文由北京交通大学计算机与信息技术学院的Ziyu Jia, Youfang Lin, Jing Wang（通讯作者）, Xiaojun Ning, Yuanlai He, Ronghao Zhou, Yuhan Zhou和麻省理工学院医学工程与科学研究所的Li-Wei H. Lehman共同撰写，发表在2021年的《IEEE Transactions on Neural Systems and Rehabilitation Engineering》期刊。
研究细节
研究流程
构建脑视角图：基于脑区功能连接性和物理距离邻近性构建两种脑视角图。每个EEG通道对应图的一个节点，通道间的具体连接对应图的边。
空间图卷积：采用图卷积提取富有的空间特征，通过图卷积操作从邻居节点聚合信息，从而捕捉空间维度的特征。
时间卷积：采用时间卷积捕捉不同睡眠阶段的转换规则，帮助识别当前的睡眠阶段。
空间-时间注意机制：设计空间-时间注意机制以自动捕获与睡眠阶段分类最相关的空间-时间信息。
域泛化：在模型训练过程中将每个个体作为一个特定源域进行睡眠特征的提取，使用对抗性域泛化方法，以提取不随个体变化的睡眠特征，提升模型的跨个体泛化能力。
实验和结果
数据集：实验采用了两个公开的睡眠数据集ISRUC-S3和MASS-SS3。
实验设置：使用10折交叉验证和31折交叉验证，采用独立于个体的策略进行交叉验证，并使用TensorFlow实现模型。
实验结果表明，MSTGCN在多个指标上（总体准确率、F1得分和Kappa值）均优于现有基线模型。此外，实验还验证了该模型在不同睡眠阶段的分类效果，在ISRUC-S3数据集中Wake和N3阶段的分类准确率最高，而在MASS-SS3数据集中REM和N2阶段的准确率最高。同时，N1阶段的分类表现虽未达预期，但在大量基线模型中仍表现优异。
结论
该研究提出了一种多视角时空图卷积网络（MSTGCN），并结合域泛化方法用于睡眠阶段分类。具体贡献如下：
- 构建了基于功能连接性和物理距离邻近性的不同脑视角，提供了丰富的空间拓扑信息用于分类任务。
- 设计了一种基于注意机制的时空图卷积，以同时捕获空间和时间特征，提高分类性能。
- 将域泛化方法与时空图卷积网络结合，提取不随个体变化的睡眠特征，提升模型的跨个体泛化能力。
- 在ISRUC-S3和MASS-SS3两个公开数据集上进行了实验，结果表明该模型达到了最前沿的性能。
- 探索了模型关键模块的可解释性，特别是通过自适应图学习获得的功能连接性结果表明，光睡眠期间的功能连接性比深睡眠期间更复杂。
与之前的研究graphsleepnet相比，MSTGCN有以下显著改进：
- 脑网络构建：基于物理距离邻近性构建的脑网络与之前的自适应功能连接性脑网络共同形成多视角脑网络，提供了更丰富的空间拓扑信息。
- 域泛化：将域泛化与时空图卷积网络结合，提升了模型的泛化能力。
- 全面实验评估：在两个睡眠数据集上评估MSTGCN的有效性，并进行了消融实验以验证各个组件对性能的影响。
- 模块可解释性：探讨并讨论了MSTGCN中关键模块的可解释性。
研究意义
该研究提出的MSTGCN模型不仅在睡眠阶段分类任务中达到了前沿水平，还展示了一种通用框架对多变量生理时间序列数据的时空建模，同时兼顾跨个体泛化能力及模型的可解释性。与传统方法相比，该模型提供了更为精确和高效的睡眠阶段分类方法，具有重要的临床应用价值。