基于多级跨模态与域对抗学习的Transformer网络在睡眠分期识别中的应用

为解决多模态睡眠信号（如脑电图EEG和眼电图EOG）联合分析中的性能瓶颈问题，研究人员创新性地提出融合多级Transformer结构与域对抗学习的跨模态睡眠分期模型。该研究通过分层捕获单模态时序特征（intra-modal）和跨模态交互特征（inter-modal），结合多尺度CNN时空特征提取，显著提升模型泛化能力。实验证明其在两个主流数据集上超越基线模型，为睡眠障碍诊断提供高精度AI解决方案。

　　

睡眠分期识别是诊断睡眠障碍的核心任务。随着生物传感技术与深度学习的发展，通过脑电图(EEG)信号自动解析睡眠进程成为可能。然而现有方法常因性能限制，难以同时整合EEG与眼电图(EOG)等多模态信号。

为此，研究者设计了一种结合域对抗学习的多级跨模态Transformer网络。该架构通过分层Transformer模块深度挖掘单模态信号的时序依赖性(intra-modal)和跨模态关联性(inter-modal)，同时利用多尺度卷积神经网络(CNN)分别提取时频域特征。值得注意的是，针对受试者个体差异导致的域泛化问题，模型创新性地引入域对抗训练策略——在不依赖目标域数据的情况下，通过特征空间对抗优化使模型学习域不变特征，显著提升跨群体适应性。

实验验证显示，该模型在两大常用睡眠数据集上性能显著优于基线方法，其创新性体现在：1) 多级Transformer结构高效捕获模态内/间动态关联；2) 对抗学习机制突破传统域适应方法需反复微调的局限；3) 为睡眠分期领域首次系统整合时空特征提取与跨模态交互建模。这项研究不仅推动了Transformer在生物信号解析中的应用，更为临床睡眠障碍的智能诊断提供了高精度、强泛化的新型技术框架。