图 | 郭晶晶（来源：郭晶晶）
据先容，考虑到多导就寝监测的特点，该团队设计了这款多模态就寝状态分类模型。
该模型结合了高效通道把稳力机制和双向状态空间模型，能够有效捕捉多导就寝图数据中的多维特色和长间隔依赖关系，实现更准确的就寝分期和就寝障碍分类。
对付康健人群和就寝障碍人群的就寝阶段，本次算法具备不错的分类能力，在就寝障碍的早期诊断上也具有较高准确性。
此外，本次算法的参数量仅有 0.47M，能够实现快速的推理。
这种轻量级的设计，让其可以支配在各种平台之上，从而为就寝医疗供应降本增效的可能。
与此同时，这种高效的自动化就寝剖析系统，也有望成为传统多导就寝图人工手动标注的替代或补充。
估量基于本次开拓的深度学习就寝剖析算法，有望运用于以下几个方面：
其一，充当临床环境中的赞助诊断工具。
该算法可作为临床工具，减少手动标注的事情量和偏差，帮助年夜夫快速、准确地剖析患者就寝数据。
其二，用于远程医疗。
将算法支配在云端，患者可以在家中监测就寝，并能将数据实时上传和剖析，年夜夫远程查当作果之后即可供应诊断见地。
其三，用于辅导就寝质量改进。
基于算法剖析，干系运用可以天生个性化的就寝改进建议，帮助用户调度生活办法和就寝习气。
其四，用于就寝研究。
利用本次算法可以进行大规模的就寝数据自动化剖析，节省韶光和人力本钱，加速就寝科学的研究进展。
其五，用于新药研发。
在新药研发的过程中，本次算法能够用于监测和剖析药物对付就寝的影响，为评估药物疗效供应客不雅观的数据支持。
随着本次技能的发展和遍及，估量它不仅能够用于医院和诊所，还可以集成到智好手表和可穿着设备中，供应实时的就寝监测和就寝建议。
众所周知，就寝是人类康健的基本要素，不仅涉及到多个阶段，而且对付认知功能和整体康健都至关主要。
然而，许多人正在面临各种就寝问题，不仅影响生活质量并有可能导致康健问题。因此，准确地监测和剖析就寝状况，对付掩护康健至关主要。
当前，监测和评估就寝质量、以及诊断就寝障碍，是医学领域的一大难题。
多导就寝图，是监测就寝阶段的黄金标准。其包含脑电图、眼电图、心电图等数据。
虽然多导就寝图的数据相对详尽，但其剖析过程须要专门设备和专业医师进行永劫光的人工判断，不仅耗时而且随意马虎产生主不雅观偏差。
此外，多导就寝图常日局限于临床环境之中，难以遍及到日常生活中。
事实上，该课题组之前一贯专注于人工智能在药物创造领域的运用，本次研究也是他们首次考试测验涉足数字医疗和智能康健领域。
一次有时的机会，他们理解到一些医院的就寝医学中央专注于就寝障碍的监测与诊断。
在与临床年夜夫互换之后，他们深切体会到年夜夫在基于多导就寝监测数据人工标注就寝分期过程中所经历的繁琐和辛劳。
那一刻，他们萌生了一个想法：能否开拓一个 AI 工具，帮助年夜夫从繁重的标注任务中解脱出来？
后来，他们意识到：鉴于多导就寝监测数据的繁芜性，必须利用一种新型算法来处理。
在一次谈论中，有团队成员提出将高效通道把稳力机制与双向状态空间模型结合起来。
研究职员表示：“这个想法非常新颖，由于高效通道把稳力机制能够有效地捕捉多导就寝图数据中的多维特色，而双向状态空间模型特殊是双向 mamba 模型，则能处理数据中的长间隔依赖关系。”
基于这个灵感，他们决定设计这款名为 MSSC-BiMamba 的多模态就寝状态分类模型。
据理解，这也是将双向 Mamba 模型用于多模态多导就寝图的首次考试测验。
起初，课题组的目标是进行就寝阶段分类，通过深度学习算法来区分不同的就寝阶段，从而起到改进就寝质量的浸染。
一次实验室谈论中，一位团队成员提出这样一个问题：就寝监测的目的，是为了评估患者是否存在就寝障碍。
然而，目前大多数算法研究仅仅是做就寝分期，而对付就寝障碍的智能化诊断研究却相对较少，那么是否可以进行就寝障碍的前期智能诊断？
这一提问点燃了他们的灵感之火，于是课题组决定探索如何利用 AI 算法进行就寝障碍的诊断。
随后，他们从公开数据集中筛选出具有代表性的就寝障碍和正常就寝数据，并以此为根本来演习自己的深度学习模型。
数据网络完毕之后，他们针对算法加以改进，并逐渐将研究重点从纯挚的就寝分期、扩展到更具寻衅性的就寝障碍诊断。
完成研究之后，他们将干系论文以《MSSC-BiMamba：基于双向 Mamba 的多模态就寝阶段分类及就寝障碍早期诊断》（MSSC-BiMamba：Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba）发在 arXiv[1]。
Chao Zhang 是第一作者，郭晶晶是通讯作者。
图 | 干系论文（来源：arXiv）
接下来，课题组将提高本次模型在不同数据集上的泛化能力和处理效率，并打算将其用于更大规模的多模态数据集，以验证其在实际运用中的效果。
与此同时，他们也将丰富就寝障碍数据，比如丰富关于失落眠症、就寝呼吸停息综合症、周期性肢体运动障碍等疾病的数据。
此外，该团队还将进一步地细化诊断标准，让模型能够更准确地区分不同类型的就寝障碍，并供应更加有针对性的建议。
末了，他们还将开拓线上交互式的就寝剖析平台，估量将能许可用户上传就寝监测数据，实时得到专业的就寝剖析报告和个性化建议。
参考资料：
1.https://arxiv.org/abs/2405.20142
运营/排版：何晨龙