基于自动睡眠分期的多模态残差时空融合模型

作者：郭业才; 仝爽

来源：系统仿真学报, 2023, 1-10.

DOI：10.16182/j.issn1004731x.joss.23-0588

• 睡眠分期
• 多视图融合
• 图卷积网络
• 深度学习
• 脑电信号

高精度的睡眠分期对于正确评定睡眠情况起到至关重要的作用。研究发现图卷积可以捕捉传统神经网络无法获取的时空关系，是处理非欧几里德数据的优秀方法。为了充分提取原始数据特征，提出了一种用于自动睡眠分期的多模态残差融合图卷积模型，称为MJ-Sleep。首先，利用短时傅里叶变换和自适应图卷积获取时频图像和时空图像并将其转换为高维的特征向量。其次，通过时频特征提取模块和时空特征提取模块实现特征信息流的轻量化交互。最后，用特征增强融合模块融合特征信息，输出睡眠分期结果。测试结果表明该模型具有较高的准确率，在ISRUC-S3数据集上整体准确率为85.3%，F1得分为83.8%，Cohen’s kappa为81.0%，特别是N1阶段准确率达到69.81%。ISRUC-S1数据集上的实验结果也证明了模型的普遍性。

• 出版日期2023
• 单位电子信息工程学院; 南京信息工程大学