NeuroLingua: Sprachinspiriertes Modell revolutioniert Schlafstadienklassifikation

Ein neues Forschungsprojekt namens NeuroLingua präsentiert einen innovativen Ansatz zur automatischen Klassifizierung von Schlafstadien. Das System nutzt eine sprachähnliche, hierarchische Struktur, um die komplexen Muster im EEG‑ und EOG‑Signal besser zu erfassen.

Im Kern zerlegt NeuroLingua jedes 30‑Sekunden‑Epoch in überlappende 3‑Sekunden‑Token, die von einem Convolutional‑Neural‑Network generiert werden. Diese Tokens werden anschließend in zwei Transformer‑Schichten verarbeitet: eine Ebene erfasst lokale Abhängigkeiten innerhalb eines Segments, während eine zweite Ebene die Beziehungen zwischen sieben aufeinanderfolgenden Segmenten (3,5 Minuten) integriert. Durch diese doppelte Hierarchie entsteht ein umfassendes zeitliches Verständnis des Schlafverhaltens.

Zur Kombination der EEG‑ und EOG‑Modalitäten setzt das Modell auf ein Graph‑Convolution‑Network, das die kanal‑spezifischen Embeddings zusammenführt. Auf den beiden Hauptdatensätzen Sleep‑EDF Expanded und ISRUC‑Sleep erzielt NeuroLingua beeindruckende Ergebnisse: 85,3 % Genauigkeit, 0,800 Macro‑F1 und 0,796 Cohen‑Kappa auf Sleep‑EDF sowie 81,9 % Genauigkeit, 0,802 Macro‑F1 und 0,755 Kappa auf ISRUC. Diese Kennzahlen übertreffen oder entsprechen den bisherigen Best‑Performern in allen relevanten Metriken.

Ein besonderes Merkmal des Modells sind die eingebauten Attention‑Mechanismen, die die Erkennung klinisch relevanter Schlaf‑Micro‑Events unterstützen. Durch die sprachbasierte Darstellung von Schlaf wird NeuroLingua nicht nur leistungsfähig, sondern auch ein vielversprechendes Werkzeug für Interpretierbarkeit, Erklärbarkeit und kausale Analysen in der Schlafforschung.