基于多任务注意力网络的非接触式睡眠监测

睡眠几乎占据了一个人每天三分之一的时间,它与人体的健康状况紧密相关.由于睡眠过程中各睡眠阶段的持续时间和转换情况直接影响人的睡眠质量,因此识别睡眠阶段是睡眠监测最基本和最重要的任务.然而,睡眠中出现的睡眠障碍会导致睡眠结构变得复杂,这增加了睡眠阶段分类的难度.已有的非接触式睡眠阶段分类工作大多对睡眠结构的复杂性认识不足,忽视了睡眠阶段和睡眠障碍之间的联系.因此,这些工作难以在睡眠障碍患者上取得较好的性能.提出一种非接触式睡眠监测系统,利用超宽带(ultra-wideband,UWB)信号来识别人体睡眠阶段的变化情况.该系统包含了一个序列预测模型,使用一个基于注意力机制的序列编码器挖掘不同睡眠阶段之间的时序转换关系,并通过一个对比学习模块提高编码器的泛化性.值得一提的是,该序列预测模型采用了一个基于多任务学习的两阶段训练框架,并在模型的微调阶段通过多专家学习模块将睡眠障碍信息融入模型中,从而降低了睡眠障碍对睡眠阶段预测造成的干扰.在110名受试者(包括健康个体和不同程度睡眠障碍患者)中进行实验评估,实验结果表明所提出的模型的性能优于基线方法.