S4Sleep: Elucidating the design space of deep-learning-based sleep stage classification models

要約

睡眠ポリグラフ記録で睡眠段階をスコアリングすることは、評価者間の大きなばらつきに悩まされる時間のかかる作業です。
したがって、機械学習アルゴリズムの適用から恩恵を受けることができます。
この目的のために多くのアルゴリズムが提案されていますが、特定の重要なアーキテクチャ上の決定については体系的な調査が行われていません。
この研究では、エンコーダ/プレディクタ アーキテクチャの広範なカテゴリ内でこれらの設計の選択を注意深く調査します。
私たちは、時系列とスペクトログラムの入力表現の両方に適用できる堅牢なアーキテクチャを特定します。
これらのアーキテクチャには、構造化状態空間モデルが統合コンポーネントとして組み込まれており、広範な SHHS データセットのパフォーマンスが統計的に大幅に向上します。
これらの改善は、統計的および系統的な誤差推定の両方を通じて評価されます。
この研究から得られたアーキテクチャ上の洞察は、睡眠ステージングにおける将来の研究にとって価値があることが判明するだけでなく、他の時系列アノテーション タスクにも関連性があることが期待されます。

要約(オリジナル)

Scoring sleep stages in polysomnography recordings is a time-consuming task plagued by significant inter-rater variability. Therefore, it stands to benefit from the application of machine learning algorithms. While many algorithms have been proposed for this purpose, certain critical architectural decisions have not received systematic exploration. In this study, we meticulously investigate these design choices within the broad category of encoder-predictor architectures. We identify robust architectures applicable to both time series and spectrogram input representations. These architectures incorporate structured state space models as integral components, leading to statistically significant advancements in performance on the extensive SHHS dataset. These improvements are assessed through both statistical and systematic error estimations. We anticipate that the architectural insights gained from this study will not only prove valuable for future research in sleep staging but also hold relevance for other time series annotation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google