robustsleepnet：大規模な自動化された睡眠のステージングのための転送学習

睡眠障害の診断は、ポリソムノグラフィ（PSG）記録の分析に依存しています。この試験の予備的なステップとして、睡眠段階が体系的に決定されます。実際には、睡眠段階の分類は、30秒のエポックのポリソムノグラフィシグナルの目視検査に依存しています。この退屈で高価なタスクを置き換えるために、多数の自動アプローチが開発されています。これらの方法は、特定のデータセットの人間の睡眠の専門家よりも優れたパフォーマンスを実証しましたが、睡眠クリニックではほとんど使用されていません。主な理由は、各睡眠クリニックが特定のPSGモンタージュを使用していることです。さらに、PSGモンタージュが互換性がある場合でも、出版物は、異なる人口統計で目に見えないデータで自動アプローチのパフォーマンスが低いことを示しています。これらの問題に対処するために、任意のPSGモンタージュを処理できる自動睡眠段階分類の深い学習モデルであるRobustSleepnetを紹介します。8つの不均一な睡眠ステージングデータセットの大きなコーパスでこのモデルを休暇中に訓練および評価し、人口統計学的な変化に堅牢にしました。目に見えないデータセットで評価されると、RobustSleepnetは、このデータセットで明示的にトレーニングされたモデルのF1の97％に達します。したがって、RobustSleepnetは、臨床セットアップを使用して、高品質のボックス外の自動睡眠ステージングを実行する可能性を解き放ちます。さらに、目に見えないデータセットの一部を使用して、このデータセットのために特異的にトレーニングされたモデルと比較した場合、F1を2％増加させることを示します。したがって、微調整を使用して、特定の集団の最先端のレベルのパフォーマンスに到達することができます。

Sleep disorder diagnosis relies on the analysis of polysomnography (PSG) records. As a preliminary step of this examination, sleep stages are systematically determined. In practice, sleep stage classification relies on the visual inspection of 30-second epochs of polysomnography signals. Numerous automatic approaches have been developed to replace this tedious and expensive task. Although these methods demonstrated better performance than human sleep experts on specific datasets, they remain largely unused in sleep clinics. The main reason is that each sleep clinic uses a specific PSG montage that most automatic approaches cannot handle out-of-the-box. Moreover, even when the PSG montage is compatible, publications have shown that automatic approaches perform poorly on unseen data with different demographics. To address these issues, we introduce RobustSleepNet, a deep learning model for automatic sleep stage classification able to handle arbitrary PSG montages. We trained and evaluated this model in a leave-one-out-dataset fashion on a large corpus of 8 heterogeneous sleep staging datasets to make it robust to demographic changes. When evaluated on an unseen dataset, RobustSleepNet reaches 97% of the F1 of a model explicitly trained on this dataset. Hence, RobustSleepNet unlocks the possibility to perform high-quality out-of-the-box automatic sleep staging with any clinical setup. We further show that finetuning RobustSleepNet, using a part of the unseen dataset, increases the F1 by 2% when compared to a model trained specifically for this dataset. Therefore, finetuning might be used to reach a state-of-the-art level of performance on a specific population.