NeuroNet: A Novel Hybrid Self-Supervised Learning Framework for Sleep Stage Classification Using Single-Channel EEG

睡眠阶段的分类是诊断睡眠障碍和评估睡眠质量的关键方面。然而，传统的手动评分过程由临床医生进行，耗时且容易出现人为偏见。深度学习的最新进展在大大推动了睡眠阶段分类的自动化，但仍存在挑战，包括需要具有标签的大型数据集以及人类生成注释中固有的偏见。本文介绍了NeuroNet，这是一个自监督学习（SSL）框架，旨在通过集成对比学习任务和掩码预测任务来有效利用未标记的单通道睡眠脑电图（EEG）信号。通过在三个多导睡眠图（PSG）数据集上进行广泛的实验，NeuroNet展示了优于现有SSL方法学的性能。此外，本研究提出了基于Mamba的时间上下文模块来捕捉不同EEG时代之间的关系。将NeuroNet与基于Mamba的时间上下文模块相结合，已经证明具有实现甚至超越最新的监督学习方法学的能力，即使使用有限的标记数据。本研究预计将在睡眠阶段分类方面建立一个新的基准，有望指导未来睡眠分析领域的研究和应用。

本文旨在解决睡眠阶段分类的自动化问题，通过自监督学习框架NeuroNet，有效利用未标记的单通道睡眠脑电图信号。

NeuroNet整合了对比学习任务和掩码预测任务，提出了基于Mamba的时间上下文模块，可以捕捉多种脑电图时期之间的关系。

实验结果表明，NeuroNet在三个多项睡眠监测数据集上表现优异，甚至在有限的标记数据下也可以超越最新的监督学习方法。本研究提出的方法有望成为睡眠分析领域的新基准。

在睡眠阶段分类自动化领域，最近的相关研究包括：1. 'Automated sleep stage classification based on subthalamic local field potentials' 2. 'Sleep stage classification using EEG signal analysis: A comprehensive survey and new investigation' 3. 'A deep learning-based approach for automated sleep stage classification using single-channel EEG signals'等。