روش یادگیری عمیق برای شناسایی چند رویداد کوچک خواب در سیگنال EEG

: زمینه: الکتروانسفالوگرافی (‏EEG)‏فعالیت مغز را در طول خواب نمایشگر می‌کند و برای شناسایی اختلالات خواب به کار می‌رود. در پزشکی خواب، پزشکان سیگنال‌های EEG خام را در مراحل به اصطلاح خواب تفسیر می‌کنند که توسط کارشناسان به هر ۳۰ ثانیه از سیگنال اختصاص داده می‌شود. برای تشخیص، آن‌ها همچنین بر رویداده‌ای ریز معماری نمونه اولیه کوتاه تری تکیه می‌کنند که زمان و شکل‌های مختلفی را نشان می‌دهند، مانند میله انتقال نیرو ها، مجموعه‌های K یا ارتزها. تفسیر چنین رویدادهایی به طور سنتی توسط یک متخصص خواب آموزش‌دیده انجام می‌شود که فرآیند را زمان بر، خسته‌کننده می‌سازد و به تغییرات بین امتیاز دهندگان توجه می‌کند. برای خودکار کردن این روش، روش‌های مختلفی ایجاد شده‌اند، با این حال این روش‌ها رویداد – جزیی بوده و بر استخراج ویژگی‌های دستی تکیه دارند.

Highlights•A new deep learning method is proposed to detect sleep micro-events.•The influence of hyper-parameters is investigated and insights are given to tune them.•The approach outperforms the baselines from the state-of-the-art on 3 datasets.•Multiple events such as spindles of K-complex can be detected jointly.•Results are provided for the detection of spindles, K-complex and arousals.AbstractBackgroundElectroencephalography (EEG) monitors brain activity during sleep and is used to identify sleep disorders. In sleep medicine, clinicians interpret raw EEG signals in so-called sleep stages, which are assigned by experts to every 30s window of signal. For diagnosis, they also rely on shorter prototypical micro-architecture events which exhibit variable durations and shapes, such as spindles, K-complexes or arousals. Annotating such events is traditionally performed by a trained sleep expert, making the process time consuming, tedious and subject to inter-scorer variability. To automa