基于自适应多任务学习的睡眠生理时序分类方法

针对睡眠阶段与睡眠呼吸暂停低通气之间相关性的问题,提出一种基于自适应多任务学习的睡眠生理时序分类方法。该方法利用单导脑电与心电检测睡眠分期和睡眠呼吸暂停低通气综合征(SAHS),构造双流时间依赖学习模块,在两个任务的联合监督下提取共享特征,设计自适应任务间关联性学习模块,利用通道注意力机制建模睡眠阶段和呼吸暂停低通气之间的相关性。在两个公开数据集上的实验结果表明,所提方法可以同时完成睡眠分期与SAHS检测。在UCD数据集上,所提方法睡眠分期准确率、宏F1分数(MF1)、受试者特性曲线下面积(AUC)与TinySleepNet相比分别提升了1.21个百分点、1.22个百分点和0.0083,SAHS检测的宏F2分数(MF2)、受试者特性曲线下面积、召回率与6-layer CNN模型相比,分别提升了11.08个百分点、0.0537和15.75个百分点,能检出更多患病片段。所提方法可应用于家庭睡眠监测或移动医疗中,实现高效、便捷的睡眠质量评估,辅助医生对SAHS进行初步诊断。