机构名称：
¥ 1.0
基于多模态神经生理时间序列（多导睡眠图 PSG）的计算睡眠评分已在临床上取得了令人瞩目的成功。仅使用 PSG 中单个脑电图 (EEG) 通道的模型尚未获得同样的临床认可，因为它们缺乏快速眼动 (REM) 评分质量。这一缺陷是否可以完全弥补仍然是一个重要问题。我们推测，主要的长短期记忆 (LSTM) 模型不能充分表示远处的 REM EEG 段（称为时期），因为 LSTM 将这些段压缩为来自独立过去和未来序列的固定大小向量。为此，我们引入了 EEG 表示模型 ENGELBERT（electro En cephalo G raphic E poch L ocal B idirectional Encoder R epresentations from T Transformer）。它联合关注过去和未来的多个 EEG 时期。与语言中的典型标记序列（注意力模型最初就是为其设计的）相比，夜间脑电图序列很容易跨越 1000 多个 30 秒的时期。重叠窗口上的局部注意力将关键的二次计算复杂度降低到线性，从而实现了从一小时以下到全天的灵活评分。ENGELBERT 至少比现有的 LSTM 模型小一个数量级，并且易于在一个阶段从头开始训练。它在 3 个单脑电图睡眠评分实验中超越了最先进的宏 F1 分数。REM F1 分数被推高到至少 86%。ENGELBERT 实际上将与基于 PSG 的方法的差距从 4-5 个百分点 (pp) 缩小到不到 1 pp F1 分数。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
神经网络
主要关键词
相关文件推荐
