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，传统的由临床医生进行的手动评分过程耗时且容易受到人为偏见的影响。深度学习的最新进展大大推动了睡眠阶段分类的自动化。然而，仍存在一些挑战，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，旨在通过整合对比学习任务和掩码预测任务有效地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监测（PSG）数据集上进行广泛的实验，NeuroNet展示了比现有SSL方法更优异的性能。此外，本研究提出了基于Mamba的时间上下文模块，以捕捉不同EEG时段之间的关系。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监督学习方法的能力，即使只有有限数量的标记数据。本研究有望在睡眠阶段分类方面建立新的基准，有望指导未来睡眠分析领域的研究和应用。

本论文旨在解决睡眠阶段分类的自动化问题，通过提出一种自监督学习框架NeuroNet，利用未标记的单通道睡眠脑电图信号，以及一个基于Mamba的时间上下文模块来捕捉不同脑电波之间的关系。

NeuroNet框架通过整合对比学习任务和掩码预测任务，有效地利用未标记的单通道睡眠脑电图信号，实现睡眠阶段分类的自动化。同时，基于Mamba的时间上下文模块可以捕捉不同脑电波之间的关系，提高了睡眠阶段分类的准确性。

论文在三个多项睡眠多项式（PSG）数据集上进行了大量实验，证明了NeuroNet框架的优越性。此外，该研究提出的基于Mamba的时间上下文模块可以捕捉不同脑电波之间的关系，进一步提高了睡眠阶段分类的准确性。

近期的相关研究包括：1）使用深度学习进行睡眠阶段分类的研究；2）使用自监督学习进行睡眠阶段分类的研究；3）使用基于注意力机制的模型进行睡眠阶段分类的研究。