U-Sleep-RBD-KAN:结合可解释的非线性学习方法进行睡眠分期和快速眼动行为障碍检测

《IEEE Access》:U-Sleep-RBD-KAN: Joint Sleep Staging and REM Behavior Disorder Detection with Interpretable Nonlinear Learning

【字体: 大 中 小 】 时间:2026年05月19日 来源:IEEE Access 3.6

编辑推荐:

   摘要: 快速眼动行为障碍(RBD)是一种具有临床意义的睡眠障碍,常与神经退行性疾病相关,因此早期和可靠的检测在睡眠医学中非常重要。同样,准确的睡眠阶段分类对于理解睡眠结构和支持临床决策也是必不可少的。然而,多导睡眠图(P

  

摘要:

快速眼动行为障碍(RBD)是一种具有临床意义的睡眠障碍,常与神经退行性疾病相关,因此早期和可靠的检测在睡眠医学中非常重要。同样,准确的睡眠阶段分类对于理解睡眠结构和支持临床决策也是必不可少的。然而,多导睡眠图(PSG)记录的手动评分既耗时又存在评分者之间的差异,这限制了其在实际应用中的可扩展性和一致性。本文提出了一种统一的深度学习框架U-Sleep-RBD-KAN,该框架利用多模态PSG信号同时进行睡眠阶段分类和RBD检测。该模型结合了一个U形全卷积时间网络用于分层特征提取、一个关注快速眼动(REM)的注意力机制以强调生理相关的REM相关片段,以及一个Kolmogorov–Arnold Network(KAN)层用于结构化非线性预测。该框架在PhysioNet的Sleep-EDF扩展数据集上端到端进行训练,使用EEG、EOG和EMG信号,并将这些信号分割成30秒的时段,无需手动特征工程。实验结果表明,所提出的方法在睡眠阶段分类方面的准确率为96.4%,宏观F1分数为0.95;在RBD检测方面的准确率为97.1%,宏观F1分数为0.97,AUC为0.992。这些结果表明,在统一的评估设置下,该方法在两项任务中均表现出一致的性能。总体而言,所提出的框架展示了结合多尺度时间建模、以REM为中心的注意力机制和结构化非线性学习在自动化睡眠分析中的有效性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号