Réseaux de Convolution de Graphes Spatio-Temporels Multi-Vue avec Généralisation de Domaine pour la Classification des États de Sommeil

Analyses médicales Sciences de l'information Intelligence artificielle Neurologie Informatique Médecine fondamentale Génie biologique Sciences de la vie Médecine
classification des états de sommeil convolution de graphes spatio-temporels apprentissage par transfert généralisation de domaine réseaux cérébraux

Le classement des phases de sommeil est essentiel pour évaluer la qualité du sommeil et diagnostiquer les maladies. Cependant, les méthodes actuelles de classification rencontrent encore de nombreux défis lorsqu’il s’agit de traiter les caractéristiques spatiales et temporelles des signaux cérébraux multicanaux qui changent avec le temps, de gérer les différences individuelles des signaux biologiques et d’améliorer l’interprétabilité des modèles. Les méthodes traditionnelles d’apprentissage automatique dépendent d’une ingénierie de caractéristique complexe, tandis que les méthodes d’apprentissage en profondeur, bien qu’excellentes dans l’apprentissage de la représentation des caractéristiques, doivent encore progresser dans l’utilisation des caractéristiques spatio-temporelles, la capacité de généralisation interindividuelle et l’interprétabilité des modèles.

Pour relever ces défis, Ziyu Jia et ses collègues de l’Université des Transports de Pékin ainsi que Li-Wei H. Lehman du Massachusetts Institute of Technology (MIT) ont proposé un Réseau Convolutionnel Graphique Spatio-Temporel à Multi-Vues (Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN) et l’ont combiné avec la généralisation de domaine pour le classement des phases de sommeil.

Source de l’article

Cet article a été coécrit par Ziyu Jia, Youfang Lin, Jing Wang (auteur correspondant), Xiaojun Ning, Yuanlai He, Ronghao Zhou, Yuhan Zhou de l’École d’Informatique et de Technologie de l’Information de l’Université des Transports de Pékin et par Li-Wei H. Lehman de l’Institut de Recherche en Ingénierie Médicale et Sciences du MIT. Il a été publié dans la revue « IEEE Transactions on Neural Systems and Rehabilitation Engineering » en 2021.

Détails de la recherche

Processus de recherche

  1. Construction du graphe des perspectives cérébrales : Construction de deux types de graphes des perspectives cérébrales basés sur la connectivité fonctionnelle des régions cérébrales et la proximité physique. Chaque canal EEG correspond à un nœud du graphe, et les connexions spécifiques entre les canaux correspondent à des arêtes du graphe.

  2. Convolution graphique spatiale : Utilisation de la convolution graphique pour extraire des caractéristiques spatiales riches en agrégeant les informations des nœuds voisins, ce qui permet de capturer les caractéristiques dimensionnelles spatiales.

  3. Convolution temporelle : Utilisation de la convolution temporelle pour capturer les règles de transition entre les différentes phases de sommeil, ce qui aide à identifier la phase de sommeil actuelle.

  4. Mécanisme d’attention spatio-temporelle : Conception d’un mécanisme d’attention spatio-temporelle pour automatiquement capturer les informations spatio-temporelles les plus pertinentes pour le classement des phases de sommeil.

  5. Généralisation de domaine : Extraction des caractéristiques de sommeil de chaque individu comme un domaine source spécifique pendant la formation du modèle, et utilisation de la méthode de généralisation de domaine adversariale pour extraire des caractéristiques de sommeil indépendantes des individus, améliorant ainsi la capacité de généralisation interindividuelle du modèle.

Expériences et résultats

  • Jeux de données : Les expériences ont utilisé deux jeux de données de sommeil publics : ISRUC-S3 et MASS-SS3.

  • Configuration expérimentale : Utilisation de la validation croisée à 10 plis et à 31 plis, stratégie indépendante de l’individu pour la validation croisée, et implémentation du modèle avec TensorFlow.

Les résultats expérimentaux montrent que MSTGCN surpasse les modèles de référence existants sur plusieurs indicateurs (exactitude globale, score F1 et coefficient Kappa). De plus, les expériences ont également démontré l’efficacité de ce modèle dans la classification des différentes phases de sommeil. Dans le jeu de données ISRUC-S3, les phases Wake et N3 ont présenté la plus haute exactitude, tandis que dans le jeu de données MASS-SS3, les phases REM et N2 ont montré les meilleures performances. Bien que la performance pour la phase N1 n’ait pas atteint les attentes, elle reste supérieure à celle de nombreux modèles de référence.

Conclusion

Cette étude présente un Réseau Convolutionnel Graphique Spatio-Temporel à Multi-Vues (MSTGCN), combiné avec une méthode de généralisation de domaine pour le classement des phases de sommeil. Les contributions spécifiques sont les suivantes :

  1. Construction de différentes perspectives cérébrales basées sur la connectivité fonctionnelle et la proximité physique, offrant des informations topologiques spatiales riches pour la tâche de classification.
  2. Conception d’une convolution graphique spatio-temporelle basée sur un mécanisme d’attention pour capturer simultanément les caractéristiques spatiales et temporelles, améliorant ainsi la performance de classification.
  3. Combinaison de la méthode de généralisation de domaine avec la convolution graphique spatio-temporelle pour extraire des caractéristiques de sommeil indépendantes des individus, améliorant ainsi la capacité de généralisation interindividuelle du modèle.
  4. Expérimentations sur deux jeux de données publics (ISRUC-S3 et MASS-SS3) montrant que le modèle atteint des performances de pointe.
  5. Exploration de l’interprétabilité des modules clés du modèle, notamment grâce aux résultats de l’apprentissage du graphe adaptatif montrant que la connectivité fonctionnelle pendant le sommeil léger est plus complexe que pendant le sommeil profond.

Comparé aux recherches précédentes comme graphsleepnet, MSTGCN présente les améliorations notables suivantes :

  1. Construction du réseau cérébral : La combinaison du réseau cérébral basé sur la proximité physique avec le réseau cérébral de connectivité fonctionnelle adaptative pour former un réseau cérébral multi-perspectives, fournissant des informations topologiques spatiales plus riches.
  2. Généralisation de domaine : Combinaison de la généralisation de domaine avec la convolution graphique spatio-temporelle pour améliorer la capacité de généralisation du modèle.
  3. Évaluation expérimentale complète : Évaluation de l’efficacité du MSTGCN sur deux jeux de données de sommeil et réalisation d’expériences d’ablation pour vérifier l’impact de chaque composant sur la performance.
  4. Interprétabilité des modules : Discussion et exploration de l’interprétabilité des modules clés du MSTGCN.

Signification de la recherche

Le modèle MSTGCN proposé dans cette étude non seulement atteint un niveau de pointe dans la tâche de classement des phases de sommeil, mais montre également un cadre général pour la modélisation spatio-temporelle des séries temporelles physiologiques multivariées, tout en prenant en compte la capacité de généralisation interindividuelle et l’interprétabilité du modèle. Comparé aux méthodes traditionnelles, ce modèle offre une méthode de classification des phases de sommeil plus précise et plus efficace, revêtant une valeur clinique importante.