论文部分内容阅读
睡眠纺锤波是睡眠进入第二阶段的重要标志,也是异于正常睡眠波少有的几个瞬态事件之一,标准睡眠划分系统定义睡眠纺锤波为在12Hz到14Hz之间的神经元活动。专家肉眼手动检测纺锤波一直代表着业内的黄金准则,但其缺点也十分明显,除了该方法非常耗时耗力,由于受个人因素的影响,专家之间的一致性很低。另一方面,深度学习在解决模式分类中十分有挑战的问题,虽然还处于发展的初期,但它的发展已经对机器学习和人工智能系统产生了深远影响,特别体现在语音识别和机器视觉方面。本文研究了使用深度学习解决纺锤波识别的问题,通过使用众包方法获得训练样本,并且样本来自于不同被试的睡眠脑电信号,作为首次使用深度学习的方法分类纺锤波,除了比较深度体系的方法优于传统方法外,还比较了多种深度学习体系在分类纺锤波上的性能。实验一使用众包方法获取训练样本,该方法优于黄金准则且被证实是可行和可靠的,同时说明了纺锤波容易和α波混淆。实验二对2秒长的脑电信号(ElectroEncephalogram,EEG)进行功率谱密度(Power Spectrum Density,PSD)变换使其作为分类器的输入。基于PSD的四种带宽特性,首先比较了深度置信网(Deep Belief Network,DBN)和其余3种分类器的F1-score性能,结果表明DBN比传统的方法普遍高出3%左右,也优于支持向量机;然后又比较了基于原始PSD和基于特征后PSD的分类性能,前者高于后者10%以上;最后考察了DBN用于在线识别纺锤波的可能性,其结果可以和专家相媲美。实验三,比较研究了多层感知机(Multi Layer Perception,MLP)、堆积去噪声自编码(Stacked Denoising Auto-Encoders,SDA)和深度置信网(Deep Belief Network,DBN)三种不同深度学习体系的分类性能,虽然DBN比MLP有很大优势,但在分类纺锤波中,DBN劣于MLP。当采用SDA时,其性能比MLP提高1%。因此,相比较MLP和DBN而言,SDA更适合应用于纺锤波的检测和识别。本论文采用的众包方法是一种新的数据采集方式,并且数据集的质量影响着分类器的性能,这种方法还待进一步的研究,深度学习还需要用在更多的被试样本上才能真正的进入临床检测和数据挖掘领域。另外,深度学习模型作为一种新的体系在检测睡眠纺锤波方面具有优秀的F1-score性能,并且具有自我学习纺锤波内在特性的潜在优势。然而,除了MLP、DBN和SDA,是否有其他有理论依据且更为有效的深度模型学习算法,比如RNN、LSTM,另一方面,从实验三可以看出探索新的特征提取模型也是值得深入研究的内容。另外,本文的深度学习体系都是基于最小批处理的随机梯度优化算法,采用theano编码体系和Nvidia的Cuda并行体系,寻求新的并行方法、提高并行的速度和效率也是研究的重点。