🤖 machine learning

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

Die Arbeit schlägt STDA-Net vor, ein auf Spektrogrammen basierendes Framework für unüberwachte Domänenanpassung, das CNNs, BiLSTMs und adversariales Lernen integriert, um eine robuste und stabile Klassifizierung von Schlafstadien über verschiedene Datensätze hinweg zu erreichen und dabei bestehende auf 1D-Signalen basierende Methoden über mehrere Datensätze hinweg zu übertreffen.

Ursprüngliche Autoren: Unaza Tallal, Shruti Kshirsagar, Ankita Shukla

Veröffentlicht 2026-05-11

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Unaza Tallal, Shruti Kshirsagar, Ankita Shukla

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, die verschiedenen Stadien des menschlichen Schlafes zu erkennen (wie leichten Schlaf, Tiefschlaf oder Träumen). Sie verfügen über viele Trainingsdaten von einer Gruppe von Menschen (nennen wir sie „Gruppe A"), möchten aber, dass der Roboter auch bei einer völlig anderen Gruppe von Menschen („Gruppe B") perfekt funktioniert.

Das Problem ist, dass sich Gruppe A und Gruppe B unterscheiden. Vielleicht wurde Gruppe A mit einem anderen Mikrophontyp, in einem anderen Raum oder mit einer anderen Abtastrate aufgenommen. In der Welt der Daten nennt man dies einen „Domain Shift". Es ist, als würde man versuchen, einem Schüler beizubringen, einen Hund zu erkennen, indem man ihm ausschließlich Fotos von Golden Retrivern zeigt, und dann erwartet, dass er sofort einen Chihuahua erkennt, ohne weitere Hilfe. Der Roboter gerät in Verwirrung, weil sich das „Aussehen" der Daten verändert hat.

Diese Arbeit stellt eine neue Lösung vor, die STDA-Net genannt wird. Hier ist die Funktionsweise, aufgeschlüsselt in einfache Konzepte:

1. Die „Sprache" der Daten ändern (Das Spektrogramm)

Die meisten früheren Methoden versuchten, dem Roboter beizubringen, indem sie ihm die rohen Schallwellen der Gehirnaktivität (EEG) direkt zuführten. Die Autoren argumentieren, dass dies wie der Versuch ist, ein Buch zu lesen, indem man nur die Tintenflecken auf der Seite betrachtet, ohne die Buchstaben zu sehen.

Stattdessen wandelt STDA-Net diese rohen Gehirnwellen in Spektrogramme um. Stellen Sie sich ein Spektrogramm als eine Wärmebildkarte oder einen Fingerabdruck des Sounds vor. Anstatt nur einer gewellten Linie wird die Daten in ein zweidimensionales Bild umgewandelt, in dem Sie die „Farben" (Frequenzen) und die „Formen" (Zeitmuster) der Schlafstadien klar erkennen können. Die Arbeit behauptet, dass das Betrachten dieser zweidimensionalen Bilder dem Roboter hilft, die Daten viel besser zu verstehen als das Betrachten der rohen Linien.

2. Das Drei-Teile-Team (Die Architektur)

Um das Problem zu lösen, dem Roboter beizubringen, bei Gruppe B zu arbeiten, ohne je die Antworten (Labels) von Gruppe B gesehen zu haben, bauten die Autoren ein Team aus drei Spezialisten:

Der Künstler (CNN): Dieser Teil betrachtet die zweidimensionalen „Wärmebildkarten" und lernt, die einzigartigen Muster jedes Schlafstadiums zu erkennen. Es ist, als würde ein Künstler lernen, einen Malstil zu erkennen.
Der Geschichtenerzähler (BiLSTM): Schlaf passiert nicht in isolierten Momentaufnahmen; es ist eine Geschichte. Man springt normalerweise nicht sofort vom „Tiefschlaf" zum „Träumen", ohne den „leichten Schlaf" zu durchlaufen. Dieser Teil betrachtet die Sequenz der Ereignisse. Er erinnert sich an die letzten paar Minuten, um zu verstehen, was gerade passiert, genau wie ein Geschichtenerzähler den Kontext nutzt, um das aktuelle Kapitel zu verstehen.
Der Spion (DANN): Dies ist der clevere Teil. Die Aufgabe des Spions ist es, den Künstler zu täuschen. Der Spion versucht zu erraten, ob ein Bild von Gruppe A oder Gruppe B stammt. Der Künstler versucht, die Bilder so ähnlich aussehen zu lassen, dass der Spion sie nicht unterscheiden kann. Indem der Künstler gezwungen wird, die Unterschiede zwischen den beiden Gruppen zu „verstecken", lernt der Roboter, sich nur auf die Schlafmuster zu konzentrieren, die universell sind, und ignoriert die Unterschiede bei der Datenaufzeichnung.

3. Der Trainingsprozess

Der Roboter wird mit Daten von Gruppe A (wo wir die Antworten kennen) und Gruppe B (wo wir die Antworten nicht kennen) trainiert.

Der Künstler lernt, Schlafstadien aus Gruppe A zu identifizieren.
Der Spion versucht, Gruppe A von Gruppe B zu unterscheiden.
Der Geschichtenerzähler stellt sicher, dass die Schlafsequenz Sinn ergibt.
Durch dieses „Spiel" lernt der Roboter, Schlafstadien in Gruppe B genauso gut zu erkennen wie in Gruppe A, obwohl er während des Trainings niemals die korrekten Antworten für Gruppe B gesehen hat.

4. Die Ergebnisse: Ein stabilerer Roboter

Die Forscher testeten dieses System an drei verschiedenen realen Schlafdatenbanken. Sie verglichen ihre neue Methode mit älteren Methoden, die nur die rohen „gewellten Linien" (1D-Daten) verwendeten.

Bessere Balance: Ältere Methoden waren gut darin, die häufigsten Schlafstadien (wie Wachsein) zu erraten, aber schlecht bei den seltenen (wie leichtem Schlaf). STDA-Net war viel besser darin, alle Stadien richtig zu erkennen, nicht nur die einfachen.
Zuverlässiger: Als die Forscher den Test fünf Mal mit unterschiedlichen zufälligen Einstellungen durchführten, lieferten die älteren Methoden jedes Mal sehr unterschiedliche Ergebnisse (wie ein Münzwurf). STDA-Net erzielte fast jedes Mal denselben hohen Score. Dies bedeutet, dass die Methode stabil und vertrauenswürdig ist.
Die Zahlen: Im Durchschnitt erkannte die neue Methode etwa 89 % der Schlafstadien korrekt, was eine signifikante Verbesserung gegenüber den bisherigen besten Methoden darstellte.

Zusammenfassung

Kurz gesagt behauptet die Arbeit, dass sie durch die Umwandlung von Gehirnwellen in 2D-Bilder, das Hinzufügen eines Geschichtenerzählers zum Verständnis der Schlafsequenz und den Einsatz eines Spions, um die Unterschiede zwischen verschiedenen Aufnahmesets zu verbergen, ein System geschaffen haben, das Schlafstadien über verschiedene Datensätze hinweg genau klassifizieren kann. Sie stellten fest, dass dieser Ansatz genauer, ausgewogener und viel stabiler ist als frühere Methoden, die sich ausschließlich auf Rohdaten verließen.

Technisches Fazit: STDA-Net

Problemstellung
Eine genaue Klassifizierung von Schlafstadien über verschiedene Datensätze hinweg wird durch erhebliche Domänenverschiebungen behindert, die durch Variabilität in EEG-Kanalkonfigurationen, Abtastraten, Aufzeichnungsumgebungen und Probandenpopulationen verursacht werden. Obwohl Deep Learning die automatisierte Schlafstadienklassifizierung vorangebracht hat, verlassen sich die meisten bestehenden Methoden für den datensatzübergreifenden Einsatz auf eindimensionale (1D) Roh-EEG-Signalrepräsentationen. Darüber hinaus bleibt die Anwendung von zweidimensionalen (2D) spektrogrammbasierten Eingaben innerhalb eines unüberwachten Domänenadaptionsrahmens für die datensatzübergreifende Schlafstadienklassifizierung weitgehend unerforscht. Aktuelle Ansätze leiden häufig unter Leistungseinbußen beim Transfer von Modellen zwischen Datensätzen aufgrund dieser Verteilungsunterschiede, und es wurde nur begrenzte Aufmerksamkeit darauf verwendet, 2D-Zeit-Frequenz-Repräsentationen zu nutzen, um diese Lücke zu schließen.

Methodik
Die Autoren schlagen STDA-Net (Spectrogram-based Temporal Domain Adaptation Network) vor, ein Framework für die unüberwachte Domänenadaptation bei der Schlafstadienklassifizierung unter Verwendung von 2D-EEG-Spektrogrammen. Die Architektur integriert vier Hauptkomponenten:

Vorverarbeitung und Spektrogrammerstellung: Rohdaten einzelner EEG-Kanäle aus Quell- und Ziel-Domänen werden standardisiert (auf 100 Hz heruntergetastet, bandpassgefiltert 0,5–30 Hz) und in 30-Sekunden-Epochen segmentiert. Jede Epoche wird mittels der Kurzzeit-Fourier-Transformation (STFT) in eine 2D-Zeit-Frequenz-Repräsentation (Spektrogramm) der Größe $76 \times 60$ umgewandelt. Um zeitliche Abhängigkeiten zu modellieren, werden Sequenzen von $L=10$ aufeinanderfolgenden Epochen (5 Minuten) mit einer Schrittweite von 5 Epochen konstruiert.
CNN-Epochen-Encoder: Ein gemeinsamer Convolutional Neural Network (CNN)-Backbone verarbeitet jedes Spektrogramm unabhängig, um diskriminierende Merkmalsvektoren auf Epochenebene zu extrahieren. Der Encoder besteht aus vier Faltungsblöcken mit Residual-Einheiten, Batch-Normalisierung und GELU-Aktivierung. Er gibt einen 128-dimensionalen Merkmalsvektor aus. Ein zusätzlicher Klassifikationskopf ist an diese Merkmale angehängt, um eine direkte pro-Epoche-Überwachung zu bieten und die Extraktion diskriminierender spektraler Merkmale zu fördern.
BiLSTM-Zeitmodul: Die Sequenz von Merkmalsvektoren auf Epochenebene wird in ein zweischichtiges Bidirectional Long Short-Term Memory (BiLSTM)-Netzwerk eingespeist. Dieses Modul erfasst zeitliche Abhängigkeiten über aufeinanderfolgende Epochen hinweg und nutzt biologisch eingeschränkte Übergangsmuster von Schlafstadien (z. B. die Seltenheit direkter Übergänge zwischen bestimmten Stadien), um Vorhersagen zu verfeinern.
Domänen-antagonistisches Training (DANN): Um Quell- und Ziel-Merkmalverteilungen ohne gelabelte Ziel-Daten abzugleichen, wird ein Domänendiskriminator trainiert, um zwischen Quell- und Ziel-Merkmalen zu unterscheiden. Eine Gradient Reversal Layer (GRL) wird auf den CNN-Encoder angewendet, um ihn zu trainieren, Merkmale zu generieren, die den Diskriminator verwirren, wodurch domäneninvariante Repräsentationen gelernt werden. Diese antagonistische Adaptation wird auf der Ebene der CNN-Merkmale pro Epoche angewendet, da spektrale Diskrepanzen die Hauptquelle der Domänenlücke sind, während zeitliche Muster relativ konsistent bleiben.

Der gesamte Trainingsverlust kombiniert drei Ziele: den Hauptklassifikationsverlust ( $L_{main}$ ) auf Quell-Labels, einen zusätzlichen Klassifikationsverlust ( $L_{aux}$ ) auf CNN-Merkmale und den antagonistischen Domänenadaptionsverlust ( $L_{adv}$ ). Das Gewicht für den antagonistischen Verlust folgt einem progressiven Zeitplan, um dem Modell zu ermöglichen, zunächst diskriminierende Quellmerkmale zu lernen, bevor der Anpassungsdruck schrittweise erhöht wird.

Hauptbeiträge

Vorschlag eines Frameworks: Die Einführung von STDA-Net, einem neuartigen Framework für die datensatzübergreifende Schlafstadienklassifizierung, das auf 2D-EEG-Spektrogrammen operiert. Es integriert einzigartig einen CNN-Encoder zur Extraktion spektraler Merkmale, ein BiLSTM für zeitliche Modellierung und DANN für unüberwachte Domänenabgleichung.
Systematische Ablationsstudie: Eine umfassende Ablationsstudie, die die individuellen Beiträge der zeitlichen Modellierung, der zusätzlichen Überwachung und der antagonistischen Adaptation quantifiziert und zeigt, dass die Kombination aller Komponenten die optimale Leistung erzielt.
Robuste datensatzübergreifende Evaluation: Umfangreiche Experimente an drei öffentlichen Datensätzen (Sleep-EDF, SHHS-1, SHHS-2) über sechs verschiedene datensatzübergreifende Transfer-Szenarien hinweg, die die Robustheit des Frameworks gegenüber Domänenverschiebungen validieren.

Ergebnisse
Experimente wurden an Sleep-EDF, SHHS-1 und SHHS-2 unter sechs Transfer-Szenarien durchgeführt. Das vorgeschlagene STDA-Net erreichte:

Eine durchschnittliche Genauigkeit von 89,03 %.
Einen durchschnittlichen makroskopischen F1-Score von 87,64 %.
Eine konsistente Überlegenheit gegenüber bestehenden 1D-Baseline-Methoden (einschließlich Deep CORAL, DANN, ADAST und ADAADL) hinsichtlich der ausgewogenen Klassifikationsleistung (makroskopischer F1).
Eine deutlich geringere Varianz über fünf unabhängige Durchläufe hinweg im Vergleich zu Baselines, was auf verbesserte Stabilität und Reproduzierbarkeit hindeutet.

Bemerkenswert ist, dass das Modell eine gerichtete Asymmetrie aufwies, bei der der Transfer von SHHS-Datensätzen zu Sleep-EDF den umgekehrten Transfer übertraf, was darauf hindeutet, dass das Training auf physiologisch diversen Quellpopulationen generalisierbarere spektrale Repräsentationen liefert.

Bedeutung
Die Arbeit behauptet, dass spektrogrammbasierte 2D-Repräsentationen, kombiniert mit zeitlicher Modellierung und antagonistischer Domänenadaptation, eine robuste und wettbewerbsfähige Alternative zu konventionellen 1D-EEG-Eingaben für die datensatzübergreifende Schlafstadienklassifizierung bieten. Die Ergebnisse deuten darauf hin, dass der Wechsel von rohen 1D-Wellenformen zu 2D-Zeit-Frequenz-Repräsentationen hilft, die Leistungseinbußen zu mildern, die typischerweise durch Domänenverschiebungen in Schlafdaten verursacht werden. Das Framework adressiert erfolgreich die Herausforderung, Schlafstadienmodelle über verschiedene Erfassungsprotokolle und Probandenpopulationen hinweg zu generalisieren, ohne gelabelte Ziel-Daten zu benötigen, und bietet eine praktische Lösung zur Verbesserung der automatisierten Schlafanalyse in klinischen und Forschungsumgebungen. Als zukünftige Arbeit wird vorgeschlagen, das Framework an zusätzlichen Datenbanken (ISRUC, MASS) zu validieren und es auf Mehrkanal-EEG-Konfigurationen zu erweitern.