具有自适应阈值的多尺度残差收缩网络，用于抗噪声的脑电图睡眠分期分析

《IEEE Access》：Multi-Scale Residual Shrinkage Network With Adaptive Thresholding for Noise-Robust EEG Sleep Staging

　　

摘要：

通过单通道脑电图实现可靠的自动睡眠分期，对于大规模睡眠障碍诊断而言至关重要。然而，由于脑电图信号中的干扰、单尺度卷积网络有限的感知范围以及不同受试者之间的性能差异，该技术在临床应用中仍存在局限。我们提出了MS-IDRSN，这是一种多尺度改进型深度残差收缩网络，通过以下方式同时解决这三个问题：1）自适应阈值函数，其偏置会随信号幅值呈指数级衰减，从而在保持连续性和梯度稳定性的同时，避免传统收缩估计器中存在的偏置不连续性问题；2）三个并行的卷积分支，核大小分别为3、5和7，能够捕捉从纺锤波周期到100赫兹的δ波半波段等与睡眠相关的振荡信号；3）基于最大均值差异的域对齐模块，无需目标标签即可降低同一数据集内及不同数据集之间受试者特征的差异。在Sleep-EDFx（78名受试者）和HMC（151名受试者）数据集上的测试显示，该模型的整体准确率分别为92.78%和91.89%，N1阶段的识别率为78.0%，相比单尺度DRSN基准模型提升了12.3个百分点。即使在-6分贝的加性高斯白噪声环境下，该模型的准确率仍可保持在87.45%。消融实验表明，各个组件都能独立发挥作用，而在15次交叉验证中，所有七组对比结果均达到了Bonferroni校正后的显著性水平。