STDA-Net: Adattamento di Dominio Basato su Spettrogrammi per la Classificazione delle Fasi del Sonno
Il nuovo framework di deep learning, STDA-Net, affronta il problema della classificazione delle fasi del sonno su diversi dataset utilizzando input di spettrogrammi bidimensionali in un quadro di adattamento di dominio non supervisionato. Questo metodo innovativo integra una rete neurale convoluzionale per l'estrazione di caratteristiche dagli spettrogrammi, un modulo di memoria bidirezionale a lungo e breve termine per modellare gli aspetti temporali e una rete neurale avversaria di dominio per allineare le caratteristiche dei dataset di origine e target senza la necessità di dati target etichettati durante la fase di addestramento. L'obiettivo è affrontare le incongruenze nei montaggi dei canali EEG, nelle frequenze di campionamento, nelle impostazioni di registrazione e nei gruppi di partecipanti che complicano la classificazione accurata delle fasi del sonno su diversi dataset. Sono stati condotti esperimenti per valutare l'efficacia di questo framework.
Fatti principali
- STDA-Net sta per Spectrogram-based Temporal Domain Adaptation Network.
- Il framework utilizza una CNN per l'estrazione di caratteristiche basate su spettrogrammi.
- Un modulo BiLSTM modella le dinamiche temporali del sonno.
- Una DANN allinea le caratteristiche da sorgente a target senza dati target etichettati.
- Il metodo è mirato alla classificazione delle fasi del sonno tra diversi dataset.
- Affronta la variabilità nei montaggi EEG, nelle frequenze di campionamento, negli ambienti e nelle popolazioni.
- La maggior parte dei metodi esistenti si basa su segnali EEG monodimensionali.
- L'approccio è pubblicato su arXiv con ID 2605.06736.
Entità
Istituzioni
- arXiv