Sleep disorder diagnosis relies on the analysis of polysomnography (PSG) records. As a preliminary step of this examination, sleep stages are systematically determined. In practice, sleep stage classification relies on the visual inspection of 30-second epochs of polysomnography signals. Numerous automatic approaches have been developed to replace this tedious and expensive task. Although these methods demonstrated better performance than human sleep experts on specific datasets, they remain largely unused in sleep clinics. The main reason is that each sleep clinic uses a specific PSG montage that most automatic approaches cannot handle out-of-the-box. Moreover, even when the PSG montage is compatible, publications have shown that automatic approaches perform poorly on unseen data with different demographics. To address these issues, we introduce RobustSleepNet, a deep learning model for automatic sleep stage classification able to handle arbitrary PSG montages. We trained and evaluated this model in a leave-one-out-dataset fashion on a large corpus of 8 heterogeneous sleep staging datasets to make it robust to demographic changes. When evaluated on an unseen dataset, RobustSleepNet reaches 97% of the F1 of a model explicitly trained on this dataset. Hence, RobustSleepNet unlocks the possibility to perform high-quality out-of-the-box automatic sleep staging with any clinical setup. We further show that finetuning RobustSleepNet, using a part of the unseen dataset, increases the F1 by 2% when compared to a model trained specifically for this dataset. Therefore, finetuning might be used to reach a state-of-the-art level of performance on a specific population.

中文翻译：

---

RobustSleepNet：大规模自动睡眠分期的迁移学习

睡眠障碍诊断依赖于对多导睡眠图 (PSG) 记录的分析。作为该检查的初步步骤，系统地确定睡眠阶段。在实践中，睡眠阶段分类依赖于对多导睡眠图信号的 30 秒时期的目视检查。已经开发了许多自动方法来取代这项繁琐且昂贵的任务。尽管这些方法在特定数据集上表现出比人类睡眠专家更好的性能，但它们在睡眠诊所中基本上未被使用。主要原因是每个睡眠诊所都使用特定的 PSG 蒙太奇，大多数自动方法无法开箱即用。此外，即使 PSG 蒙太奇兼容，出版物也表明自动方法在具有不同人口统计数据的看不见的数据上表现不佳。为了解决这些问题，我们介绍了 RobustSleepNet，这是一种用于自动睡眠阶段分类的深度学习模型，能够处理任意 PSG 蒙太奇。我们在 8 个异构睡眠分期数据集的大型语料库上以留一法数据集的方式训练和评估该模型，以使其对人口统计变化具有鲁棒性。当在一个看不见的数据集上进行评估时，RobustSleepNet 达到了在该数据集上明确训练的模型的 F1 的 97%。因此，RobustSleepNet 开启了在任何临床设置中执行高质量、开箱即用的自动睡眠分期的可能性。我们进一步表明，与专门为此数据集训练的模型相比，使用一部分看不见的数据集对 RobustSleepNet 进行微调，F1 增加了 2%。因此，微调可用于在特定人群上达到最先进的性能水平。一种用于自动睡眠阶段分类的深度学习模型，能够处理任意 PSG 蒙太奇。我们在包含 8 个异构睡眠分期数据集的大型语料库上以留一法数据集的方式训练和评估该模型，以使其对人口统计变化具有鲁棒性。在未见过的数据集上进行评估时，RobustSleepNet 达到了在该数据集上明确训练的模型的 F1 的 97%。因此，RobustSleepNet 开启了在任何临床设置中执行高质量、开箱即用的自动睡眠分期的可能性。我们进一步表明，与专门为此数据集训练的模型相比，使用一部分看不见的数据集对 RobustSleepNet 进行微调，F1 增加了 2%。因此，微调可用于在特定人群上达到最先进的性能水平。一种用于自动睡眠阶段分类的深度学习模型，能够处理任意 PSG 蒙太奇。我们在包含 8 个异构睡眠分期数据集的大型语料库上以留一法数据集的方式训练和评估该模型，以使其对人口统计变化具有鲁棒性。在未见过的数据集上进行评估时，RobustSleepNet 达到了在该数据集上明确训练的模型的 F1 的 97%。因此，RobustSleepNet 开启了在任何临床设置中执行高质量、开箱即用的自动睡眠分期的可能性。我们进一步表明，与专门为此数据集训练的模型相比，使用一部分看不见的数据集对 RobustSleepNet 进行微调，F1 增加了 2%。因此，微调可用于在特定人群上达到最先进的性能水平。