arXiv cs.AI· Md Wahiduzzaman Suva, Esm E Moula Chowdhury Abha, Md Imtiaj Alam Sajin, Md Iftekharul Mobin, Jia Uddin·· 12 小时前AI 评分29
MM-Net：用于缺血性卒中后睡眠分期与睡眠呼吸暂停评估的多模态多任务网络
MM-Net: A Multimodal Multi-Task Network for Sleep Staging and Sleep Apnea Assessment After Ischemic Stroke
AI 导读
MM-Net 是一个多模态多任务框架，通过交叉拟合与基于岭回归的嵌入向量对齐，解决预训练 EEG 编码器在下游任务中的表示不一致问题，可同时完成睡眠分期与呼吸事件检测。
正文 · AI 翻译
摘要：缺血性卒中后的自动多导睡眠监测因睡眠相关神经活动改变及并发呼吸紊乱而具有挑战性。现有的卒中专用方法主要解决睡眠分期分类问题，对睡眠结构与呼吸事件的联合分析仍探索不足。此外，当下游模型在先前已见患者的嵌入上训练、却在未见个体上评估时，适配预训练 EEG 编码器会引入表征不一致性。我们提出 MM-Net，一个多模态多任务框架，通过交叉拟合和基于岭回归的嵌入对齐来解决这一不一致性。睡眠适配的 EEG-EOG 表征与工程化神经描述符，通过交叉注意力和共享时间建模与学习到的心肺特征融合，用于同时进行睡眠分期和呼吸事件检测。在 iSLEEPS（99 例亚急性缺血性卒中患者）上，十折患者独立评估达到 76.3% 的分期准确率（Cohen's $\kappa$ = 0.656）和 0.825 的呼吸事件 AUC，在匹配协议下优于所评估的基线。当睡眠适配编码器的嵌入被对齐时，其改善了下游模型，分期准确率较冻结编码器提高 1.4 个百分点（$p$ = 0.020），而未对齐时仅提高 0.2 个百分点。MM-Net 在 Sleep-EDF 上也达到 86.4% 的分期准确率，高于在同一记录上重新实现的每一种单 EEG 架构，并在 ISRUC-I 上达到 80.3% 的分期准确率和 0.889 的呼吸 AUC，超过其重新训练的分期基线。无需重新训练，iSLEEPS 训练的模型在 ISRUC-I 和 UCD 上分别保持了 0.833 和 0.841 的呼吸 AUC。这些发现支持在卒中、健康睡眠和睡眠障碍队列中实现表征一致的神经适配与联合生理建模。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.36583 [cs.LG] |
| （或 arXiv:2610.36583v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36583 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Md Wahiduzzaman Suva [查看电子邮件]
[v1]
2026年10月27日星期二 03:39:40 UTC（1,520 KB）
来源：arXiv cs.AI · arxiv.org