[论文解读] MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba

Chao Zhanga, Weirong Cuia+1 more|arXiv (Cornell University)|May 30, 2024

Restless Legs Syndrome Research被引用 4

一句话总结

该论文提出了一种名为MSSC-BiMamba的新颖多模态深度学习模型，通过将高效通道注意力（ECA）与双向状态空间模型（BiMamba）相结合，实现基于多导睡眠图（PSG）数据的自动化睡眠阶段分类及睡眠障碍早期诊断。该模型在睡眠健康预测中实现了95.2%的准确率，并展现出相较于基于Transformer的模型更优的计算效率与泛化能力。

ABSTRACT

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.

研究动机与目标

• 为解决人工睡眠分期耗时且主观的问题，开发一种自动化、高效且精准的睡眠阶段分类系统。
• 通过利用多模态多导睡眠图（PSG）数据，实现睡眠障碍的早期检测。
• 相较于现有基于Transformer的模型，在睡眠分期任务中提升计算与内存效率。
• 利用双向长程时间建模，更优地捕捉PSG信号中的复杂睡眠动态。
• 验证模型在包含健康与睡眠障碍模式的多样化数据集上的泛化能力。

提出的方法

• 模型集成高效通道注意力（ECA）机制，动态加权来自多个PSG传感器通道的贡献，增强特征表示。
• 采用双向状态空间模型（BiMamba），在正向与反向方向上捕捉长程时间依赖关系，提升序列建模能力。
• 该架构专为多模态PSG数据设计，整合脑电图（EEG）、眼电图（EOG）、肌电图（EMG）及其他信号，提升分类鲁棒性。
• 模型在ISRUC-S1、ISRUC-S3与Sleep-EDF153数据集上进行训练与评估，采用K折交叉验证以评估泛化性能。
• 框架将自注意力机制替换为Mamba的状态空间建模形式，降低计算成本，同时保持高性能。
• 通过标准指标（包括准确率、F1值与Kappa系数）在多个睡眠阶段（N1、N2、N3、REM）上评估性能。

实验结果

研究问题

• RQ1 基于双向Mamba的架构能否有效建模多模态多导睡眠图数据中的长程时间依赖关系，以实现睡眠阶段分类？
• RQ2 高效通道注意力的集成在多样化PSG传感器通道中如何改善特征表示？
• RQ3 MSSC-BiMamba在不同数据集（健康与睡眠障碍模式）上的泛化能力达到何种程度？
• RQ4 该模型能否在保持计算效率的同时，实现高诊断准确率以实现早期睡眠障碍检测？
• RQ5 与现有基于Transformer的模型相比，该模型在准确率、推理速度与内存使用方面表现如何？

主要发现

• MSSC-BiMamba模型在Sleep-EDF153与ISRUC数据集的合并数据集上，睡眠健康状态预测的整体准确率达到0.952，展现出强大的早期诊断泛化能力。
• 在ISRUC-S3数据集上，模型整体准确率达到0.857，F1值为0.851，Kappa系数为0.817，表明其在标准睡眠分期任务中表现优异。
• 在ISRUC-S1(50)上训练的模型展现出稳健的泛化能力，在S1(50)测试集上达到0.852的准确率，并在S1(100)与S3子集上保持高水平性能。
• 与基于Transformer的模型相比，该模型在计算与内存效率方面表现更优，适用于实时与资源受限的应用场景。
• 交叉验证结果证实了模型的稳定性与可靠性，所有睡眠阶段（包括REM阶段）的F1值均保持一致，REM阶段在S3数据集上的F1值达0.893。
• 增加训练集规模可提升模型性能，其中9:1划分达到最高准确率0.952，表明模型具备出色的可扩展性。