基于多通道差分 Transformer 的跨异构脑电/眼电通道睡眠阶段分类

《Cognitive Neurodynamics》：Sleep Stage Classification Across Heterogeneous EEG/EOG Channels with Multi-channel Differential Transformer

　　

摘要

睡眠分期分类对于评估睡眠质量和诊断睡眠障碍至关重要。然而，人工检查每个阶段的 EEG 特征耗时且容易出错。尽管机器学习和深度学习方法得到了积极发展，但由于脑电图（EEG）和眼电图（EOG）信号在不同临床配置中的非平稳性和变异性，它们仍面临挑战，往往导致泛化能力差。在这项工作中，我们提出了 SleepDIFFormer，一个用于异构 EEG–EOG 表示学习的多通道微分变换器框架。SleepDIFFormer 在多个睡眠分期数据集上训练，每个被视为源域，目标是泛化到未见的目标域。具体来说，它采用多通道微分变换器架构（MDTA），旨在处理原始 EEG 和 EOG 信号，同时结合跨域对齐。我们的方法减轻了空间和时间的注意力噪声，并通过数据集之间的特征分布对齐学习域不变 EEG–EOG 表示，从而增强对新域的泛化能力。实证上，我们在域泛化设置下在五个多样化的睡眠分期数据集上评估了 SleepDIFFormer，并将其与现有方法进行了基准测试，取得了优越的性能。此外，全面的消融分析和微分注意力权重的解释证明了它们与学习判别性睡眠 EEG 表示的相关性。这些发现支持开发更具泛化能力的自动睡眠分期分类方法。我们的源代码和检查点已在以下地址公开可用：https://github.com/Ben1001409/SleepDIFFormer。