STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification

ملخص تقني: شبكة STDA-Net

بيان المشكلة
يعيق عدم دقة تصنيف مراحل النوم عبر مجموعات البيانات المختلفة وجود تحولات نطاقية (domain shifts) كبيرة ناتجة عن التباين في تركيبات قنوات تخطيط كهربائية الدماغ (EEG)، ومعدلات أخذ العينات، وبيئات التسجيل، والمجتمعات البشرية. وبينما حقق التعلم العميق تقدماً في التصنيف الآلي لمراحل النوم، تعتمد معظم الطرق الحالية المخصصة للبيانات عبر المجموعات على تمثيلات إشارات EEG أحادية الأبعاد (1D). علاوة على ذلك، لا يزال تطبيق المدخلات القائمة على المخططات الطيفية ثنائية الأبعاد (2D spectrograms) ضمن إطار عمل للتكيف النطاقي غير الخاضع للإشراف (unsupervised domain adaptation) لتصنيف مراحل النوم عبر مجموعات البيانات أمراً غير مستكشف إلى حد كبير. وغالباً ما تعاني النهج الحالية من تدهور الأداء عند نقل النماذج بين مجموعات البيانات بسبب هذه الاختلافات التوزيعية، كما لم يتم إعطاء اهتمام كافٍ لاستغلال التمثيلات الزمنية-الترددية ثنائية الأبعاد لتقليص هذه الفجوة.

المنهجية
يقترح المؤلفون STDA-Net (شبكة التكيف النطاقي الزمني القائمة على المخططات الطيفية)، وهو إطار عمل مصمم للتكيف النطاقي غير الخاضع للإشراف في تصنيف مراحل النوم باستخدام المخططات الطيفية ثنائية الأبعاد لـ EEG. يدمج الهيكل أربعة مكونات رئيسية:

1. المعالجة المسبقة وتوليد المخطط الطيفي: يتم توحيد إشارات EEG أحادية القناة من النطاق المصدر والنطاق المستهدف (خفض معدل أخذ العينات إلى 100 هرتز، وترشيح تمرير النطاق من 0.5 إلى 30 هرتز) وتقسيمها إلى فترات زمنية مدة كل منها 30 ثانية. يتم تحويل كل فترة إلى تمثيل زمني-ترددي ثنائي الأبعاد (مخطط طيفي) بحجم $76 \times 60$ باستخدام تحويل فوريه قصير المدى (STFT). ولنمذجة التبعيات الزمنية، يتم إنشاء تسلسلات من $L=10$ فترات متتالية (5 دقائق) بخطوة قدرها 5 فترات.
2. مشفر الحقبة بنظام CNN: يقوم خلفية شبكة عصبية تلافيفية (CNN) مشتركة بمعالجة كل مخطط طيفي بشكل مستقل لاستخراج ميزات مستوى الحقبة المميزة. يتكون المشفر من أربع كتل تلافيفية مع وحدات متبقية (residual units)، وتطبيع الدفعات (batch normalization)، وتنشيط GELU. ويقوم بإخراج متجه ميزات بـ 128 بُعداً. يتم إرفاق رأس تصنيف مساعد بهذه الميزات لتوفير إشراف مباشر لكل حقبة، مما يشجع على استخراج الميزات الطيفية المميزة.
3. وحدة BiLSTM الزمنية: يتم تغذية تسلسل ميزات مستوى الحقبة في شبكة ذاكرة طويلة قصيرة المدى ثنائية الاتجاه (BiLSTM) مكونة من طبقتين. تلتقط هذه الوحدة التبعيات الزمنية عبر الحقبات المتتالية، مستفيدة من أنماط انتقال مراحل النوم المقيدة بيولوجياً (مثل ندرة الانتقالات المباشرة بين مراحل معينة) لتنقيح التنبؤات.
4. التدريب الخصومي للنطاق (DANN): لمحاذاة توزيعات الميزات للنطاق المصدر والمستهدف دون الحاجة لبيانات مستهدفة مصنفة، يتم تدريب مميز النطاق (domain discriminator) للتمييز بين ميزات المصدر والمستهدف. يتم تطبيق طبقة عكس التدرج (GRL) على مشفر CNN، لتدريبه على توليد ميزات تربك المميز، مما يؤدي إلى تعلم تمثيلات ثابتة تجاه النطاق. يتم تطبيق هذا التكيف الخصومي عند مستوى ميزات CNN لكل حقبة، حيث أن التباينات الطيفية هي المصدر الرئيسي لفجوة النطاق، بينما تظل الأنماط الزمنية ثابتة نسبياً.

يجمع إجمالي خسارة التدريب بين ثلاثة أهداف: خسارة التصنيف الرئيسية ($L_{main}$) على تسميات المصدر، وخسارة التصنيف المساعدة ($L_{aux}$) على ميزات CNN، وخسارة التكيف النطاقي الخصومية ($L_{adv}$). يتبع وزن الخسارة الخصومية جدولاً زمنياً تدريجياً للسماح للنموذج بتعلم الميزات المصدرية المميزة أولاً قبل زيادة ضغط المحاذاة تدريجياً.

المساهمات الرئيسية

1. اقتراح الإطار العملي: تقديم STDA-Net، وهو إطار عمل جديد لتصنيف مراحل النوم عبر مجموعات البيانات يعمل على مخططات EEG ثنائية الأبعاد. يدمج بشكل فريد مشفر CNN لاستخراج الميزات الطيفية، وBiLSTM للنمذجة الزمنية، وDANN للتكيف النطاقي غير الخاضع للإشراف.
2. الدراسة الاستقصائية للمكونات (Ablation Study): دراسة استقصائية شاملة تقيس المساهمات الفردية للنمذجة الزمنية، والإشراف المساعد، والتكيف الخصومي، مما يثبت أن الجمع بين جميع المكونات يحقق الأداء الأمثل.
3. التقييم القوي عبر مجموعات البيانات: تجارب مكثفة أجريت على ثلاث مجموعات بيانات عامة (Sleep-EDF، SHHS-1، SHHS-2) عبر ست إعدادات مختلفة للنقل عبر مجموعات البيانات، مما يؤكد قوة الإطار ضد تحولات النطاق.

النتائج
أجريت التجارب على Sleep-EDF وSHHS-1 وSHHS-2 تحت ستة إعدادات نقل. حققت STDA-Net المقترحة:

• متوسط دقة بلغ 89.03%.
• متوسط مقياس F1 الكلي (macro F1-score) بلغ 87.64%.
• تفوقت باستمرار على طرق الخط الأساس 1D الحالية (بما في ذلك Deep CORAL وDANN وADAST وADAADL) من حيث أداء التصنيف المتوازن (macro F1).
• أظهرت تبايناً أقل بكثير عبر خمس جولات مستقلة مقارنة بالنماذج المرجعية، مما يشير إلى تحسن الاستقرار وقابلية التكرار.

ومن الجدير بالذكر أن النموذج أظهر عدم تماثل اتجاهي، حيث كان النقل من مجموعات بيانات SHHS إلى Sleep-EDF أفضل من العكس، مما يشير إلى أن التدريب على مجموعات سكانية مصدرية متنوعة فسيولوجياً ينتج تمثيلات طيفية أكثر قابلية للتعميم.

الأهمية
يزعم البحث أن التمثيلات القائمة على المخططات الطيفية ثنائية الأبعاد، عند دمجها مع النمذجة الزمنية والتكيف النطاقي الخصومي، توفر بديلاً قوياً وتنافسياً للمدخلات التقليدية أحادية البعد (1D) لتصنيف مراحل النوم عبر مجموعات البيانات. تشير النتائج إلى أن الانتقال من الموجات الخام أحادية البعد إلى التمثيلات الزمنية-الترددية ثنائية الأبعاد يساعد في تقليل تدهور الأداء الناتج عادة عن تحولات النطاق في بيانات النوم. نجح الإطار في معالجة تحدي تعميم نماذج تصنيف مراحل النوم عبر بروتوكولات الاستحواذ والمجتمعات البشرية المختلفة دون الحاجة إلى بيانات مستهدفة مصنفة، مما يقدم حلاً عملياً لتحسين تحليل النوم الآلي في الإعدادات السريرية والبحثية. وقد اقتُرح عمل مستقبلي للتحقق من صحة الإطار على قواعد بيانات إضافية (ISRUC، MASS) وتوسيع نطاقه ليشمل تكوينات EEG متعددة القنوات.