Интерпретируемая модель стадирования сна на основе ЭЭГ с объяснением решений с помощью карт внимания и анализа физиологических паттернов сонных веретен и К-комплексов

Аннотация

Разработанная интерпретируемая нейросетевая архитектура для автоматического стадирования сна по сигналам электроэнцефалографии объединяет свёрточный энкодер с двухуровневым механизмом многоголового внимания, обеспечивая как высокую точность классификации пяти стадий сна, так и возможность визуализации и количественного анализа оснований принятия решений через карты внимания. Внутренние представления модели, извлекаемые в форме карт внимания на внутриэпохальном и межэпохальном уровнях, демонстрируют выраженную специализацию отдельных голов внимания по отношению к ключевым физиологическим графоэлементам стадии N2: третья голова проявляет более чем трёхкратное повышение нормализованного энергетического вклада со средним значением 3,561 в окрестности сонных веретён, характеризуемых осцилляциями в диапазоне 11-16 Гц, в то время как первая голова показывает преимущественную чувствительность к К-комплексам с двухфазной морфологией и средним вкладом 3,214, что подтверждается функциональной диссоциацией и статистической значимостью результатов. Количественные показатели согласованности между картами внимания и экспертно верифицированными позициями этих паттернов, включая интегральную меру превышения базового уровня внимания в 3,388 раза, чувствительность 0,741 и специфичность 0,823 для веретён при пороговой бинаризации, свидетельствуют о том, что классификация опирается непосредственно на физиологически обоснованные признаки, соответствующие нейрофизиологическим механизмам генерации данных графоэлементов. Межэпохальный компонент внимания воспроизводит известные макроструктурные закономерности сна, выявляя вариабельную контекстную зависимость стадий – от минимальной эффективной ширины контекста 3,12 эпохи и высокой доли внимания на текущую эпоху для N3 до максимальной ширины 7,81 эпохи с выраженной асимметрией к предшествующим эпохам для N1, что точно отражает клиническую практику дифференциальной диагностики. Общие показатели качества классификации на большом массиве записей достигают макроусреднённого F1-score 0,808 и общей точности 0,876, с ожидаемым снижением метрик для стадии N1, обусловленным её переходным характером и классовым дисбалансом. Высокая воспроизводимость обнаруженных паттернов специализации голов внимания при многократных запусках обучения с различными начальными условиями, умеренная корреляция Спирмена 0,437 между амплитудой веретён и комбинированным вкладом внимания, а также устойчивость результатов в рамках перекрёстной валидации подтверждают структурную изоморфность внутренних механизмов модели экспертному сомнологическому знанию.