KI und die schwierigen Probleme der Welt · Medizin & Wirkstoffforschung · Nature (computational biology) · 2026-10-24
Ein adaptives Transformer-basiertes Modell mit entropiegesteuerter Wissensdestillation zur Erkennung von REM-Schlaf anhand eines einzelnen EEG-Kanals
Originaltitel: An adaptive transformer-based model with entropy-driven knowledge distillation for single-channel EEG REM sleep detection
Die Erkennung von REM-Schlaf anhand eines einzelnen EEG-Kanals ist wichtig für die neurophysiologische Überwachung und die frühzeitige Identifikation schlafbezogener Störungen. Die Autoren schlagen einen schlanken Transformer vor, der mit einer entropiegesteuerten adaptiven Wissensdestillation trainiert wird; diese passt die Temperaturskalierung und die Gewichtung der Destillation anhand der Entropie von Lehrer- und Schülermodell an. Auf drei öffentlichen Datensätzen übertraf es bei subjektunabhängiger Kreuzvalidierung CNN-, LSTM- und Standard-Transformer-Baselines mit einer durchschnittlichen Genauigkeit von 93,2 % und einem F1-Wert von 92,8 %, während das destillierte Schülermodell Trainingszeit und Speicherbedarf um etwa 30 % senkte.