本研究では、睡眠ステージ分類の自動化に向けた新しいアプローチとして、NeuroNetと呼ばれる自己教師あり学習(SSL)フレームワークを提案している。NeuroNetは、マスク予測タスクと対比学習タスクを統合することで、ラベル付けされていない単一チャンネルEEG信号から効果的に有用な表現を学習することができる。
具体的には、NeuroNetのフレームネットワークがEEG信号から特徴ベクトルを抽出し、マスク予測タスクとの対比学習タスクを通じて表現を学習する。マスク予測タスクは信号の内在的特徴を学習し、対比学習タスクは信号間の関係性を学習する。
さらに、Mambaベースの時間的コンテキストモジュール(TCM)を組み合わせることで、複数のEEGエポックにわたる時系列的な特徴を効果的にキャプチャできる。この統合モデルは、限られたラベル付きデータでも最新の教師あり学習手法と同等以上の性能を達成できることが示された。
本研究は、睡眠ステージ分類の新しい基準を示すものであり、この分野における今後の研究と応用に指針を与えることが期待される。
To Another Language
from source content
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Cheol-Hui Le... : arxiv.org 04-30-2024
https://arxiv.org/pdf/2404.17585.pdfDaha Derin Sorular