MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba
作者: Chao Zhang, Weirong Cui, Jingjing Guo
分类: cs.AI
发布日期: 2024-05-30 (更新: 2024-05-31)
备注: 10 pages
💡 一句话要点
提出MSSC-BiMamba模型，利用双向Mamba网络进行多模态睡眠分期和睡眠障碍早期诊断。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 睡眠分期 睡眠障碍诊断 多模态学习 双向Mamba 高效通道注意力
📋 核心要点
- 传统人工睡眠分期耗时且主观性强，导致结果不一致，亟需自动化模型。
- MSSC-BiMamba模型结合ECA机制和双向Mamba网络，有效捕捉多导睡眠监测数据的多维特征和长程依赖。
- 实验表明，该模型在睡眠分期和睡眠健康预测方面表现出色，且计算和内存效率优于Transformer模型。
📝 摘要（中文）
本文提出了一种用于睡眠分期和睡眠障碍分类的自动化模型MSSC-BiMamba，旨在提高诊断的准确性和效率。该模型结合了高效通道注意力（ECA）机制和双向状态空间模型（BSSM），充分利用多导睡眠监测（PSG）数据的特点。ECA模块用于对来自不同传感器通道的数据进行加权，增强不同传感器输入的影响。双向Mamba（BiMamba）的实现使模型能够有效地捕获PSG数据的多维特征和长程依赖关系。在ISRUC-S3和ISRUC-S1数据集上，该模型在睡眠分期任务中表现出令人印象深刻的性能，这两个数据集分别包含健康和不健康的睡眠模式数据。此外，在由ISRUC和Sleep-EDF组成的组合数据集上评估时，该模型在睡眠健康预测方面表现出很高的准确性。该模型是第一个将BiMamba应用于多模态PSG数据睡眠分期的模型，与传统的Transformer风格模型相比，在计算和内存效率方面都有显著提高。该方法通过使监测更易于访问和通过创新技术扩展先进医疗保健来增强睡眠健康管理。
🔬 方法详解
问题定义：传统睡眠分期方法依赖人工判读，耗时费力且易受主观因素影响，导致诊断结果不一致。现有方法难以有效捕捉多导睡眠监测（PSG）数据的复杂特征和长程依赖关系，限制了睡眠障碍诊断的准确性和效率。
核心思路：论文的核心思路是利用双向状态空间模型（BiMamba）的优势，结合高效通道注意力（ECA）机制，构建一个能够有效处理多模态PSG数据的睡眠分期模型。通过ECA机制对不同传感器通道的数据进行加权，突出重要通道的信息，BiMamba则负责捕捉数据中的长程依赖关系和多维特征。
技术框架：MSSC-BiMamba模型的整体架构包括数据输入层、ECA模块、BiMamba模块和分类输出层。首先，多导睡眠监测数据输入模型；然后，ECA模块对不同通道的数据进行加权；接着，BiMamba模块提取加权后的数据的特征，捕捉长程依赖关系；最后，分类器根据提取的特征进行睡眠分期或睡眠障碍分类。
关键创新：该论文的关键创新在于首次将BiMamba应用于多模态PSG数据的睡眠分期任务。与传统的Transformer风格模型相比，BiMamba在处理长序列数据时具有更高的计算和内存效率。此外，ECA机制的引入能够自适应地调整不同通道的权重，提高模型的鲁棒性和准确性。
关键设计：ECA模块采用一维卷积来学习通道权重，卷积核大小通过自适应方式确定。BiMamba模块采用双向结构，分别从前向和后向两个方向捕捉数据中的依赖关系。损失函数采用交叉熵损失函数，优化器采用AdamW优化器，学习率设置为0.001，并采用学习率衰减策略。
🖼️ 关键图片
📊 实验亮点
MSSC-BiMamba模型在ISRUC-S3和ISRUC-S1数据集上取得了优异的睡眠分期性能，并在ISRUC和Sleep-EDF组合数据集上实现了高精度的睡眠健康预测。与传统Transformer模型相比，该模型在计算和内存效率方面有显著提升，具体性能数据未知，但论文强调了其在资源消耗上的优势。
🎯 应用场景
该研究成果可应用于智能睡眠监测设备、远程医疗平台和临床诊断辅助系统，实现对睡眠质量的实时评估和睡眠障碍的早期诊断。通过提高诊断效率和准确性，有助于改善患者的睡眠健康管理，并为个性化治疗方案的制定提供依据。未来，该模型可进一步扩展到其他生理信号分析领域，例如心电图分析和脑电图分析。
📄 摘要（原文）
Monitoring sleep states is essential for evaluating sleep quality and diagnosing sleep disorders. Traditional manual staging is time-consuming and prone to subjective bias, often resulting in inconsistent outcomes. Here, we developed an automated model for sleep staging and disorder classification to enhance diagnostic accuracy and efficiency. Considering the characteristics of polysomnography (PSG) multi-lead sleep monitoring, we designed a multimodal sleep state classification model, MSSC-BiMamba, that combines an Efficient Channel Attention (ECA) mechanism with a Bidirectional State Space Model (BSSM). The ECA module allows for weighting data from different sensor channels, thereby amplifying the influence of diverse sensor inputs. Additionally, the implementation of bidirectional Mamba (BiMamba) enables the model to effectively capture the multidimensional features and long-range dependencies of PSG data. The developed model demonstrated impressive performance on sleep stage classification tasks on both the ISRUC-S3 and ISRUC-S1 datasets, respectively containing data with healthy and unhealthy sleep patterns. Also, the model exhibited a high accuracy for sleep health prediction when evaluated on a combined dataset consisting of ISRUC and Sleep-EDF. Our model, which can effectively handle diverse sleep conditions, is the first to apply BiMamba to sleep staging with multimodal PSG data, showing substantial gains in computational and memory efficiency over traditional Transformer-style models. This method enhances sleep health management by making monitoring more accessible and extending advanced healthcare through innovative technology.