MLAR-SleepNet：一种基于残差网络和多层注意力网络的自动睡眠分期模型

《Medical & Biological Engineering & Computing》：MLAR-SleepNet: a automatic sleep staging model based on residual and multi-level attention network

睡眠阶段分类模型研究提出融合残差学习与多级注意力机制的框架，通过CNN提取多级特征、GRU捕捉序列特征并加入自注意力机制，采用加权交叉熵损失解决类别不平衡。实验表明在Sleep-EDF和Sleep-EDFx数据集上准确率分别达89.1%和85.2%，Cohen’s Kappa值0.85和0.80，验证了模型在睡眠评估和临床诊断中的有效性及减负潜力。

　　

摘要

睡眠阶段的分类对于理解睡眠结构、诊断睡眠障碍以及评估治疗效果至关重要。传统的手动睡眠分级方法被认为工作量大且容易受到主观偏见的影响。自动睡眠分级模型提高了睡眠阶段分类的准确性和效率，为临床睡眠研究和睡眠障碍的诊断提供了可靠的工具。本研究提出了一种结合残差学习和多级注意力机制的自动化睡眠阶段分类模型。该模型使用残差网络融合通道注意力和空间注意力网络来提取和重新加权特征，然后利用自注意力机制和门控循环网络捕捉睡眠阶段转换的重要特征。最后，通过Softmax层完成睡眠分级任务。在训练过程中应用加权交叉熵损失函数来减轻类别不平衡的影响。在Sleep-EDF和Sleep-EDFx数据集上进行了交叉验证，以评估模型的性能。该模型在两个数据集上的总体准确率分别为89.1%和85.2%，Cohen’s Kappa值为0.85和0.80，Macroaverage-F1分数分别为84.4%和80.5%。实验结果表明，该模型在睡眠评估和诊断方面具有巨大潜力，并能减轻临床医生的工作负担。

摘要部分 图形摘要

本研究采用序列到序列模型框架，利用卷积网络从信号中提取多级特征，并通过GRU网络捕捉序列特征。所提出的RCSA模块解决了梯度衰减问题，重新校准了通道特征并增强了空间特征的提取效果。在GRU之后添加了自注意力机制，以突出重要的序列特征，在SleepEDF数据集上的识别准确率达到89.1%。