.png){kind=icon}
返回
Improving Graph-Based Sleep Staging with Shared Waveform Node Representations
.png){kind=icon}
OA
AI
DOI：10.3390/make8090289.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于图的睡眠分期模型使用不同的节点表示，使得难以区分前端与图架构的贡献。我们研究了通用原始波形编码器能否在不进行模型或数据集特定架构调整的情况下改进异构图模型。我们将五种图骨干网络的原始前端替换为相同的紧凑一维卷积神经网络（CNN）。该CNN直接从30秒多导睡眠图波形学习节点表示，同时每个模型保留其原始图构建机制、时序上下文和预测模块。在五个数据集上使用匹配的五折受试者内交叉验证比较了三种训练策略：两阶段训练（CNN–2S）、端到端训练（CNN–E2E）和预训练后微调（CNN–PTFT）。在25种骨干网络–数据集组合中，至少有一种CNN策略在22种组合中优于对应的原始前端。CNN–2S、CNN–E2E和CNN–PTFT的宏F1均值提升分别为2.99、2.34和2.53个百分点。所有睡眠阶段的平均增益均为正，其中N1和REM阶段增益最大。CNN–2S提供最强劲的整体结果和最有利的性能–成本综合平衡，尽管其对训练时间的影响因骨干网络而异。冻结的CNN–2S表示在跨数据集迁移时仍保持有效。研究结果支持节点表示学习作为基于图的睡眠分期设计的重要组成部分。
Keyword:
automatic sleep staging
graph neural networks
node representation learning
convolutional neural networks
polysomnography
electroencephalography
期刊
M
IF:
6
论文数:
834
被引数:
1.8K
机构
引用论文
分享收藏MMSleepGNet: Mixed Multibranch Sequential Fusion Model Based on Graph Convolutional Network for Automatic Sleep StagingMMSleepGNet: 基于图卷积网络的自动睡眠分期混合多分支序贯融合模型
PREAI
分享收藏A unified time-frequency foundation model for sleep decoding一种用于睡眠解码的统一时频基础模型.png)
Nature Communications
OAAI
Nature CommunicationsIF15.7
OAAI分享收藏PhysioNet as a global platform for biomedical researchPollard, T.; Moody, B.E.; Lehman, L.H.; Gow, B.J.; Fernandes, C.; Xie, C.; Johnson, A.; Mark, R.G.; Heldt, T. PhysioNet作为全球生物医学研究平台。Nat. Health 2026, 1, 792–795. [Google Scholar] [CrossRef] [Scilit]
PREAI
分享收藏FlexSleepTransformer: a transformer-based sleep staging model with flexible input channel configurationsSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容