Automatic Sleep Stage Classification by CNN-Transformer-LSTM using single-channel EEG signal

Abstract

Sleep stage classification plays a crucial role in diagnosing sleep disorders and understanding sleep physiology. In recent years, automated models based on machine learning and deep learning have gained attention for sleep stage classification. This paper uses the single-channel EEG signal to present an automatic sleep stage classification system using a combination of Convolutional Neural Network (CNN), Transformer, and Long Short-Term Memory (LSTM) models. Experimental evaluation of the ISRUC sleep datasets S1 and S3 demonstrates the effectiveness of the proposed model. It achieves accuracies of 80.37% and 82.40%, respectively, achieving competitive performance compared to state-of-the-art models.

Klasifikace spánkových fází hraje zásadní roli při diagnostice poruch spánku a pochopení fyziologie spánku. V posledních letech si pro klasifikaci spánkových fází získaly pozornost automatizované modely založené na strojovém a hlubokém učení. Tento článek využívá jednokanálový EEG signál k představení automatického systému klasifikace spánkových fází pomocí kombinace modelů konvoluční neuronové sítě (CNN), transformátoru a LSTM sítě. Experimentální vyhodnocení datových spánkových sad ISRUC S1 a S3 prokazuje účinnost navrženého modelu. Dosahuje přesnosti 80,37 %, resp. 82,40 %, čímž dosahuje konkurenceschopné výkonnosti ve srovnání s nejmodernějšími modely.