Transformer-Based Contrastive Learning Method for Automated Sleep Stages Classification

基于Transformer对比学习的自动睡眠分期方法

马进¹，任泽¹，张彤彤¹，丁颍²，陆熠磊¹，彭颖红³

（1.          上海交通大学 电子信息与电气工程学院，上海200240；2. 上海市儿童医院，上海200240；3.上海交通大学 机械与动力工程学院，上海200240）

摘要： 自动睡眠分期由于其在分析整晚多导睡眠（PSG）信号方面具有高效性，能够有效支持临床专家对睡眠障碍进行诊疗。然而，现有的研究主要集中在与实际临床数据不相同的公共数据集上。为了缩小理论模型与实际临床实践之间的差距，提出了一种新的深度学习模型，将视觉Transformer与监督对比学习相结合，实现有效的睡眠阶段分期。实验结果表明，该模型能够更有效地对多通道PSG信号进行分期。在两个公开的睡眠数据库上该模型平均F1得分分别为79.2%和76.5%，优于之前的研究，表明了该模型强大的能力，在儿童小数据库上的平均准确率也达到了88.6%。提出的模型不仅在公共数据库上进行了验证，而且在提供的临床数据库上进行了验证，以严格评估其在临床实践中的使用情况。

关键词：睡眠分期，视觉Transformer，对比学习，多导睡眠信号

点击分享码全文pdf浏览：https://rdcu.be/dVK9o

Ma, J., Ren, Z., Zhang, T. et al. Transformer-Based Contrastive Learning Method for Automated Sleep Stages Classification. J. Shanghai Jiaotong Univ. (Sci.) (2024). https://doi.org/10.1007/s12204-024-2734-z

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204