基于时空协同信息提取的OSA自动睡眠分期模型OSA-STNet研究

《Biomedical Signal Processing and Control》：OSA-STNet: An automatic sleep staging model for OSA based on spatio-temporal collaborative information extraction

本文提出了一种基于时空协同信息提取的创新性自动睡眠分期模型OSA-STNet（Spatio-Temporal Neural Network），通过多尺度通道交互（MSCI）模块和渐进双卷积（PDC）模块，有效解决了阻塞性睡眠呼吸暂停（OSA）患者因睡眠碎片化导致的睡眠分期准确率显著下降问题。该模型在SHHS和SHHS-OSA数据集上分别实现了89.23%和87.9%的分类准确率，为OSA的诊断和治疗提供了高精度睡眠分期工具和分级模型分析视角。

　　

Highlight

我们研究的主要贡献如下：

1. 1.
   针对OSA患者因睡眠碎片化导致睡眠分期准确率严重下降的问题，我们提出了一种基于时空协同信息提取的创新性OSA自动睡眠分期模型，称为OSA-STNet。该模型在健康个体和OSA患者中均实现了高精度的自动睡眠分期，其分类准确率优于现有方法。此外，我们还开发了分级模型，以研究不同严重程度OSA患者的睡眠架构变化。
2. 2.
   针对现有方法在有效利用多通道时空协同信息方面的局限性，我们设计了MSCI模块。该模块通过通道交互卷积，促进不同空间域之间的时空信息交换，随后通过一个特征提取模块从输入信号中捕获共享的时空协同特征。
3. 3.
   为了解决OSA自动睡眠分期算法中对细节特征关注不足的问题，我们设计了PDC模块。通过采用渐进式双卷积层，该模块逐步细化输入数据，使感知内核能够捕获细节、局部和全局的时间信息，从而将时间细节特征放大到更高维度。

Ablation study

为了验证OSA-STNet中每个结构组件的有效性，我们在相同的实验条件下进行了一系列消融实验。这些侧重于不同设计方面的实验，大致分为三种类型：块设计（Block Design）、内核设计（Kernel Design）和通道融合（Channel Fusion）。相应的结果如图5所示。

Conclusion

在本研究中，我们提出了一种基于时空协同信息提取的新型神经网络模型，名为OSA-STNet，用于OSA患者的自动睡眠分期。所提出的MSCI模块利用通道交互卷积促进不同空间域之间的时空信息交换，有效地从输入信号中提取共享的时空协同特征。所提出的PDC模块采用渐进式双卷积...