केयरस्लीपनेट: स्वचालित नींद वर्गीकरण के लिए एक हाइब्रिड गहन शिक्षण नेटवर्क

नींद वर्गीकरण नींद मूल्यांकन के लिए आवश्यक है और रोग निदान में महत्वपूर्ण भूमिका निभाता है, जो नींद के समय को विभिन्न नींद चरणों में वर्गीकृत करने को संदर्भित करता है। पॉलीसोमनोग्राफी (PSG), जिसमें कई विभिन्न शारीरिक संकेत होते हैं, जैसे इलेक्ट्रोएन्सेफेलोग्राम (EEG) और इलेक्ट्रोओकुलोग्राम (EOG), नींद वर्गीकरण के लिए एक स्वर्ण मानक है। हालांकि मौजूदा अध्ययनों ने PSG से स्वचालित नींद वर्गीकरण पर उच्च प्रदर्शन प्राप्त किया है, फिर भी कुछ सीमाएं हैं: 1) वे स्थानीय विशेषताओं पर ध्यान केंद्रित करते हैं लेकिन प्रत्येक नींद समय में वैश्विक विशेषताओं की उपेक्षा करते हैं, और 2) वे EEG और EOG के बीच क्रॉस-मोडालिटी संदर्भ संबंध की अनदेखी करते हैं। इस पेपर में, हम केयरस्लीपनेट का प्रस्ताव करते हैं, जो PSG रिकॉर्डिंग से स्वचालित नींद वर्गीकरण के लिए एक नवीन हाइब्रिड गहन शिक्षण नेटवर्क है। विशेष रूप से, हम पहले एक मल्टी-स्केल कन्वोल्यूशनल-ट्रांस्फार्मर एपोक एनकोडर डिजाइन करते हैं ताकि स्थानीय प्रमुख तरंग विशेषताओं और प्रत्येक नींद समय के भीतर वैश्विक विशेषताओं को कोडित किया जा सके। फिर, हम एक क्रॉस-मोडालिटी संदर्भ एनकोडर का निर्माण करते हैं जो सह-ध्यान तंत्र पर आधारित है ताकि विभिन्न मोडालिटीज के बीच क्रॉस-मोडालिटी संदर्भ संबंध का मॉडलिंग किया जा सके। इसके बाद, हम नींद समयों के बीच अनुक्रमिक संबंध को पकड़ने के लिए एक ट्रांस्फार्मर-आधारित अनुक्रम एनकोडर का उपयोग करते हैं। अंततः, सीखी गई विशेषता प्रतिनिधित्व को नींद चरणों का निर्धारण करने के लिए एपोक-स्तरीय वर्गीकर्ता में फीड किया जाता है। हमने एक निजी नींद डेटासेट, SSND, एकत्र किया और केयरस्लीपनेट के प्रदर्शन का मूल्यांकन करने के लिए दो सार्वजनिक डेटासेट, स्लीप-EDF-153 और ISRUC का उपयोग किया। प्रयोगात्मक परिणाम बताते हैं कि हमारा केयरस्लीपनेट तीन डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करता है। इसके अलावा, हम प्रत्येक मॉड्यूल की प्रभावशीलता को सिद्ध करने और प्रत्येक मोडालिटी के प्रभावों का विश्लेषण करने के लिए एबलेशन अध्ययन और ध्यान दृश्यावली करते हैं।