ST-USleepNet: A Spatial-Temporal Coupling Prominence Network for Multi-Channel Sleep Staging
作者: Jingying Ma, Qika Lin, Ziyu Jia, Mengling Feng
分类: q-bio.NC, cs.LG
发布日期: 2024-08-21 (更新: 2025-06-08)
期刊: IJCAI-25, Main Track, pp. 4182-4190, 2025
🔗 代码/项目: GITHUB
💡 一句话要点
提出ST-USleepNet，通过时空耦合显著性网络实现多通道睡眠分期
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 睡眠分期 脑电信号 时空图 U型网络 深度学习 多通道信号处理 时空耦合 特征提取
📋 核心要点
- 现有睡眠分期方法难以同时提取多通道脑电信号中的显著时空特征，忽略了时空耦合模式。
- ST-USleepNet通过时空图构建模块建模脑电信号的时空关系，并利用U型网络提取显著特征。
- 在三个数据集上的实验表明，ST-USleepNet优于现有方法，并能有效提取睡眠特征和时空耦合模式。
📝 摘要（中文）
睡眠分期对于评估睡眠质量和诊断睡眠障碍至关重要。尽管人工智能的进步推动了自动睡眠分期的发展，但仍存在重大挑战：(1) 如何同时从多通道原始信号中提取显著的时间和空间睡眠特征，包括特征睡眠波形和显著的空间脑网络。(2) 如何捕获对于准确睡眠分期至关重要的时空耦合模式。为了应对这些挑战，我们提出了一种名为ST-USleepNet的新框架，它包含一个时空图构建模块(ST)和一个U型睡眠网络(USleepNet)。ST模块基于信号相似性、时间和空间关系将原始信号转换为时空图，以建模时空耦合模式。USleepNet采用U型结构，用于时间和空间流，模仿其在图像分割中的原始用途，以隔离重要目标。应用于来自ST模块的原始睡眠信号和图数据，USleepNet有效地分割这些输入，同时提取显著的时间和空间睡眠特征。在三个数据集上的测试表明，ST-USleepNet优于现有的基线，并且模型可视化证实了其在提取各种睡眠阶段的显著睡眠特征和时空耦合模式方面的有效性。代码可在https://github.com/Majy-Yuji/ST-USleepNet 获取。
🔬 方法详解
问题定义：论文旨在解决多通道脑电信号睡眠分期中，现有方法难以有效提取时空特征以及忽略时空耦合模式的问题。现有方法通常独立处理时间和空间信息，无法充分利用多通道脑电信号之间的关联性，导致分期精度受限。
核心思路：论文的核心思路是构建一个能够同时建模时间和空间关系的框架，即ST-USleepNet。该框架通过时空图构建模块(ST)将原始脑电信号转换为图结构，从而显式地捕捉通道间的空间关系和信号的时序演化。然后，利用U型网络(USleepNet)提取图结构中的显著时空特征，实现更准确的睡眠分期。
技术框架：ST-USleepNet框架主要包含两个模块：时空图构建模块(ST)和U型睡眠网络(USleepNet)。首先，ST模块接收多通道原始脑电信号作为输入，基于信号相似性、时间关系和空间关系构建时空图。然后，USleepNet模块分别处理原始脑电信号和时空图数据，通过U型结构提取时间和空间特征，最后将提取的特征融合进行睡眠分期。
关键创新：论文的关键创新在于提出了时空图构建模块(ST)，该模块能够有效地建模多通道脑电信号之间的空间关系和时间依赖性。通过将原始信号转换为图结构，ST模块能够显式地捕捉通道间的关联性，从而为后续的特征提取提供更丰富的信息。此外，利用U型网络提取显著特征也提升了模型的性能。
关键设计：在时空图构建模块中，论文使用了基于信号相似性的方法来确定节点之间的连接权重。具体来说，使用了相关系数来衡量信号之间的相似性。在USleepNet中，采用了U型结构，类似于图像分割中的应用，通过编码器-解码器结构提取不同尺度的特征。损失函数方面，使用了交叉熵损失函数来优化睡眠分期结果。
🖼️ 关键图片
📊 实验亮点
ST-USleepNet在三个公开数据集上进行了评估，实验结果表明，该方法优于现有的基线方法。具体来说，在Sleep-EDF数据集上，ST-USleepNet取得了最高的准确率和Kappa系数，证明了其在睡眠分期任务上的有效性。模型可视化结果也验证了该方法能够有效提取显著的睡眠特征和时空耦合模式。
🎯 应用场景
该研究成果可应用于自动睡眠分期系统，辅助医生进行睡眠质量评估和睡眠障碍诊断。通过更准确的睡眠分期，可以为患者提供个性化的治疗方案，提高睡眠质量。此外，该方法还可以扩展到其他多通道生理信号分析领域，如脑机接口、癫痫检测等。
📄 摘要（原文）
Sleep staging is critical to assess sleep quality and diagnose disorders. Despite advancements in artificial intelligence enabling automated sleep staging, significant challenges remain: (1) Simultaneously extracting prominent temporal and spatial sleep features from multi-channel raw signals, including characteristic sleep waveforms and salient spatial brain networks. (2) Capturing the spatial-temporal coupling patterns essential for accurate sleep staging. To address these challenges, we propose a novel framework named ST-USleepNet, comprising a spatial-temporal graph construction module (ST) and a U-shaped sleep network (USleepNet). The ST module converts raw signals into a spatial-temporal graph based on signal similarity, temporal, and spatial relationships to model spatial-temporal coupling patterns. The USleepNet employs a U-shaped structure for both the temporal and spatial streams, mirroring its original use in image segmentation to isolate significant targets. Applied to raw sleep signals and graph data from the ST module, USleepNet effectively segments these inputs, simultaneously extracting prominent temporal and spatial sleep features. Testing on three datasets demonstrates that ST-USleepNet outperforms existing baselines, and model visualizations confirm its efficacy in extracting prominent sleep features and temporal-spatial coupling patterns across various sleep stages. The code is available at https://github.com/Majy-Yuji/ST-USleepNet.