🤖 machine learning

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

Het artikel stelt STDA-Net voor, een op spectrogrammen gebaseerd raamwerk voor ongesuperviseerde domeinadaptatie dat CNN's, BiLSTMs en adversariaal leren integreert om robuuste en stabiele classificatie van slaapklassen over verschillende datasets te bereiken, en dat betere prestaties levert dan bestaande op 1D-signalen gebaseerde methoden op meerdere datasets.

Oorspronkelijke auteurs: Unaza Tallal, Shruti Kshirsagar, Ankita Shukla

Gepubliceerd 2026-05-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Unaza Tallal, Shruti Kshirsagar, Ankita Shukla

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren de verschillende stadia van menselijke slaap te herkennen (zoals lichte slaap, diepe slaap of dromen). Je hebt veel trainingsdata van één groep mensen (laten we ze "Groep A" noemen), maar je wilt dat de robot perfect werkt op een volledig andere groep mensen ("Groep B").

Het probleem is dat Groep A en Groep B verschillend zijn. Misschien is Groep A opgenomen met een ander type microfoon, in een andere kamer, of met een andere bemonsteringssnelheid. In de wereld van data noemen we dit een "domeinverschuiving". Het is alsof je een student leert een hond te herkennen aan de hand van alleen maar foto's van Golden Retrievers, en vervolgens verwacht dat ze zonder enige extra hulp direct een Chihuahua herkennen. De robot raakt in de war omdat de "uitstraling" van de data is veranderd.

Dit artikel introduceert een nieuwe oplossing genaamd STDA-Net. Hieronder wordt uitgelegd hoe het werkt, opgesplitst in eenvoudige concepten:

1. De "Taal" van de Data Veranderen (Het Spectrogram)

De meeste eerdere methoden probeerden de robot te leren door het direct de ruwe geluidsgolven van hersenactiviteit (EEG) te geven. De auteurs betogen dat dit vergelijkbaar is met proberen een boek te lezen door alleen naar de inktvlekken op de pagina te kijken zonder de letters te zien.

In plaats daarvan zet STDA-Net deze ruwe hersengolven om in spectrogrammen. Denk aan een spectrogram als een warmtekaart of een vingerafdruk van het geluid. In plaats van alleen een kronkelige lijn, zet het de data om in een tweedimensionale afbeelding waar je duidelijk de "kleuren" (frequenties) en de "vormen" (tijdspatronen) van de slaapstadia kunt zien. Het artikel beweert dat het bekijken van deze tweedimensionale afbeeldingen de robot helpt de data veel beter te begrijpen dan het bekijken van de ruwe lijnen.

2. Het Driedelige Team (De Architectuur)

Om het probleem op te lossen dat de robot moet leren werken op Groep B zonder ooit de antwoorden (labels) van Groep B te hebben gezien, hebben de auteurs een team van drie specialisten gebouwd:

De Kunstenaar (CNN): Dit deel bekijkt de tweedimensionale "warmtekaart"-afbeeldingen en leert de unieke patronen van elk slaapstadium te herkennen. Het is alsof een kunstenaar een schilderstijl leert herkennen.
De Verhaler (BiLSTM): Slaap gebeurt niet in geïsoleerde momentopnames; het is een verhaal. Je springt niet gewoon direct van "Diepe Slaap" naar "Dromen" zonder "Lichte Slaap" te passeren. Dit deel kijkt naar de volgorde van gebeurtenissen. Het onthoudt de afgelopen paar minuten om te begrijpen wat er nu gebeurt, net zoals een verteller context gebruikt om het huidige hoofdstuk te begrijpen.
De Spion (DANN): Dit is het slimme deel. De taak van de Spion is de Kunstenaar voor de gek te houden. De Spion probeert te raden of een afbeelding uit Groep A of Groep B komt. De Kunstenaar probeert de afbeeldingen zo gelijk te maken dat de Spion ze niet uit elkaar kan houden. Door de Kunstenaar te dwingen de verschillen tussen de twee groepen te "verstoppen", leert de robot zich alleen te richten op de universele slaappatronen en negeert hij de verschillen in hoe de data is opgenomen.

3. Het Trainingsproces

De robot wordt getraind met data van Groep A (waar we de antwoorden kennen) en Groep B (waar we de antwoorden niet kennen).

De Kunstenaar leert slaapstadia te identificeren uit Groep A.
De Spion probeert Groep A van Groep B te onderscheiden.
De Verhaler zorgt ervoor dat de volgorde van de slaap logisch is.
Door dit "spel" leert de robot slaapstadia in Groep B net zo goed te herkennen als in Groep A, zelfs al heeft hij tijdens de training nooit de juiste antwoorden voor Groep B gezien.

4. De Resultaten: Een Stabieler Robot

De onderzoekers hebben dit systeem getest op drie verschillende real-world slaapdatabases. Ze hebben hun nieuwe methode vergeleken met oudere methoden die alleen de ruwe "kronkelige lijnen" (1D-data) gebruikten.

Betere Balans: Oudere methoden waren goed in het raden van de meest voorkomende slaapstadia (zoals wakker zijn), maar slecht in de zeldzame (zoals lichte slaap). STDA-Net was veel beter in het goed krijgen van alle stadia, niet alleen de makkelijke.
Betrouwbarder: Toen de onderzoekers de test vijf keer uitvoerden met verschillende willekeurige instellingen, gaven de oudere methoden elke keer heel verschillende resultaten (alsof je een munt opgooit). STDA-Net gaf bijna elke keer dezelfde hoge score. Dit betekent dat de methode stabiel en betrouwbaar is.
De Getallen: Gemiddeld kreeg de nieuwe methode ongeveer 89% van de slaapstadia correct, wat een aanzienlijke verbetering was ten opzichte van de vorige beste methoden.

Samenvatting

Kortom, het artikel beweert dat door hersengolven om te zetten in 2D-afbeeldingen, het toevoegen van een verhaler om de volgorde van slaap te begrijpen, en het gebruik van een spion om de verschillen tussen verschillende opnamesets te verstoppen, ze een systeem hebben gecreëerd dat slaapstadia nauwkeurig kan classificeren over verschillende datasets heen. Ze vonden deze aanpak nauwkeuriger, beter gebalanceerd en veel stabieler dan eerdere methoden die alleen op ruwe data leunden.

Technische Samenvatting: STDA-Net

Probleemstelling
Nauwkeurige slaapstadiumclassificatie over verschillende datasets wordt gehinderd door aanzienlijke domeinverschuivingen veroorzaakt door variabiliteit in EEG-kanaalopstellingen, bemonsteringssnelheden, opnameomgevingen en subjectpopulaties. Hoewel diep leren de geautomatiseerde slaapstadiëring heeft verbeterd, vertrouwen de meeste bestaande methoden voor kruisdataset-toepassingen op een-dimensionale (1D) representaties van ruwe EEG-signalen. Bovendien blijft de toepassing van tweedimensionale (2D) spectrogram-gebaseerde invoer binnen een onbewaakte domeinadaptatiekader voor kruisdataset-slapstadiëring grotendeels onontgonnen. Huidige benaderingen lijden vaak onder prestatiedegradatie bij het overdragen van modellen tussen datasets vanwege deze distributieverschillen, en er is beperkte aandacht geweest voor het benutten van 2D tijd-frequentie representaties om deze kloof te overbruggen.

Methodologie
De auteurs stellen STDA-Net (Spectrogram-based Temporal Domain Adaptation Network) voor, een kader ontworpen voor onbewaakte domeinadaptatie in slaapstadiumclassificatie met behulp van 2D EEG-spectrogrammen. De architectuur integreert vier hoofdcomponenten:

Preprocessing en Spectrogramgeneratie: Ruwe single-channel EEG-signalen uit bron- en doeldomeinen worden gestandaardiseerd (downsampled naar 100 Hz, bandpassgefilterd 0,5–30 Hz) en opgedeeld in 30-seconden epoches. Elke epoch wordt omgezet in een 2D tijd-frequentie representatie (spectrogram) van formaat $76 \times 60$ met behulp van de Short-Time Fourier Transform (STFT). Om temporele afhankelijkheden te modelleren, worden sequenties van $L=10$ opeenvolgende epoches (5 minuten) geconstrueerd met een stapgrootte van 5 epoches.
CNN Epoch Encoder: Een gedeelde Convolutional Neural Network (CNN) backbone verwerkt elke spectrogram onafhankelijk om discriminerende epoch-niveau kenmerken te extraheren. De encoder bestaat uit vier convolutieblokken met residu-eenheden, batchnormalisatie en GELU-activering. Het outputt een 128-dimensionaal feature-vector. Een auxiliaire classificatiekop is aan deze kenmerken gekoppeld om directe per-epoch supervisie te bieden, wat de extractie van discriminerende spectrale kenmerken stimuleert.
BiLSTM Temporaal Module: De sequentie van epoch-niveau kenmerken wordt ingevoerd in een tweelaags Bidirectional Long Short-Term Memory (BiLSTM) netwerk. Deze module vangt temporele afhankelijkheden over opeenvolgende epoches op, waarbij biologisch beperkte slaapstadium-overgangspatronen (bijvoorbeeld de zeldzaamheid van directe overgangen tussen bepaalde stadia) worden benut om voorspellingen te verfijnen.
Domein-Adversariele Training (DANN): Om bron- en doelfeaturedistributies uit te lijnen zonder gelabelde doelgegevens, wordt een domeindiscriminator getraind om te onderscheiden tussen bron- en doelfeatures. Een Gradient Reversal Layer (GRL) wordt toegepast op de CNN-encoder, waardoor deze wordt getraind om features te genereren die de discriminator in verwarring brengen, en zo domein-invariante representaties leert. Deze adversariele adaptatie wordt toegepast op het per-epoch CNN-feature niveau, aangezien spectrale discrepanties de primaire bron van de domeinkloof zijn, terwijl temporele patronen relatief consistent blijven.

De totale trainingsverliesfunctie combineert drie doelen: de hoofdclassificatieverlies ( $L_{main}$ ) op bronlabels, een auxiliaire classificatieverlies ( $L_{aux}$ ) op CNN-features, en het adversariele domeinadaptatieverlies ( $L_{adv}$ ). Het gewicht voor het adversariele verlies volgt een progressief schema om het model toe te staan eerst discriminerende bronkenmerken te leren voordat de uitlijningsdruk geleidelijk wordt verhoogd.

Belangrijkste Bijdragen

Kadervoorstel: De introductie van STDA-Net, een nieuw kader voor kruisdataset-slaapstadiumclassificatie dat werkt op 2D EEG-spectrogrammen. Het integreert uniek een CNN-encoder voor spectrale kenmerkextractie, een BiLSTM voor temporele modellering en DANN voor onbewaakte domeinuitlijning.
Systematische Ablatie: Een uitgebreide ablatiestudie die de individuele bijdragen van temporele modellering, auxiliaire supervisie en adversariele adaptatie kwantificeert, en aantoont dat de combinatie van alle componenten de optimale prestatie oplevert.
Robuuste Kruisdataset Evaluatie: Uitgebreide experimenten uitgevoerd op drie publieke datasets (Sleep-EDF, SHHS-1, SHHS-2) over zes distincte kruisdataset-overdrachtinstellingen, die de robuustheid van het kader tegenover domeinverschuivingen valideren.

Resultaten
Experimenten werden uitgevoerd op Sleep-EDF, SHHS-1 en SHHS-2 onder zes overdrachtinstellingen. De voorgestelde STDA-Net behaalde:

Een gemiddelde nauwkeurigheid van 89,03%.
Een gemiddelde macro F1-score van 87,64%.
Consistent betere prestaties dan bestaande 1D baseline-methoden (waaronder Deep CORAL, DANN, ADAST en ADAADL) wat betreft gebalanceerde classificatieprestaties (macro F1).
Een aanzienlijk lagere variantie over vijf onafhankelijke runs in vergelijking met baselines, wat wijst op verbeterde stabiliteit en reproduceerbaarheid.

Opmerkelijk is dat het model een directionele asymmetrie vertoonde waarbij overdracht van SHHS-datasets naar Sleep-EDF beter presteerde dan omgekeerd, wat suggereert dat training op fysiologisch diverse bronpopulaties meer generaliseerbare spectrale representaties oplevert.

Betekenis
Het artikel beweert dat 2D spectrogram-gebaseerde representaties, wanneer gecombineerd met temporele modellering en adversariele domeinadaptatie, een robuust en concurrerend alternatief bieden voor conventionele 1D EEG-invoer voor kruisdataset-slapstadiëring. De bevindingen suggereren dat het afstappen van ruwe 1D golfvormen naar 2D tijd-frequentie representaties helpt de prestatiedegradatie te mitigeren die typisch wordt veroorzaakt door domeinverschuivingen in slaapdata. Het kader slaagt erin de uitdaging aan te pakken van het generaliseren van slaapstadiëringsmodellen over verschillende opnameprotocollen en subjectpopulaties zonder gelabelde doelgegevens te vereisen, en biedt een praktische oplossing voor het verbeteren van geautomatiseerde slaapanalyse in klinische en onderzoeksomgevingen. Voor toekomstig werk wordt voorgesteld het kader te valideren op aanvullende databases (ISRUC, MASS) en uit te breiden naar multi-kanaal EEG-configuraties.