NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG

要約

睡眠段階の分類は、睡眠障害の診断と睡眠の質の評価において極めて重要です。
しかし、臨床医が行う従来の手動採点プロセスは時間がかかり、人間の偏見が入り込みやすいものです。
深層学習の最近の進歩により、睡眠段階分類の自動化が大幅に推進されました。
それにも関わらず、ラベル付きの大規模なデータセットの必要性や人間が生成したアノテーションに固有のバイアスなど、課題は依然として残っています。
この論文では、対照学習タスクとマスク予測タスクを統合することで、ラベルのない単一チャネルの睡眠脳波 (EEG) 信号を効果的に利用するように設計された自己教師あり学習 (SSL) フレームワークである NeuroNet について紹介します。
NeuroNet は、3 つの睡眠ポリグラフィー (PSG) データセットにわたって行われた広範な実験を通じて、既存の SSL 手法よりも優れたパフォーマンスを実証しています。
さらに、この研究では、多様なEEGエポック間の関係を捕捉するためのMambaベースの時間コンテキストモジュールを提案しています。
NeuroNet と Mamba ベースの時間コンテキスト モジュールを組み合わせることで、ラベル付きデータの量が限られている場合でも、最新の教師あり学習手法のパフォーマンスを達成、さらにはそれを超える能力が実証されました。
この研究は、睡眠段階分類における新しいベンチマークを確立することが期待されており、睡眠分析分野における将来の研究と応用の指針となることが期待されています。

要約(オリジナル)

The classification of sleep stages is a pivotal aspect of diagnosing sleep disorders and evaluating sleep quality. However, the conventional manual scoring process, conducted by clinicians, is time-consuming and prone to human bias. Recent advancements in deep learning have substantially propelled the automation of sleep stage classification. Nevertheless, challenges persist, including the need for large datasets with labels and the inherent biases in human-generated annotations. This paper introduces NeuroNet, a self-supervised learning (SSL) framework designed to effectively harness unlabeled single-channel sleep electroencephalogram (EEG) signals by integrating contrastive learning tasks and masked prediction tasks. NeuroNet demonstrates superior performance over existing SSL methodologies through extensive experimentation conducted across three polysomnography (PSG) datasets. Additionally, this study proposes a Mamba-based temporal context module to capture the relationships among diverse EEG epochs. Combining NeuroNet with the Mamba-based temporal context module has demonstrated the capability to achieve, or even surpass, the performance of the latest supervised learning methodologies, even with a limited amount of labeled data. This study is expected to establish a new benchmark in sleep stage classification, promising to guide future research and applications in the field of sleep analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google