论文部分内容阅读
睡眠是一种复杂的生理活动过程,充足的睡眠时间和高质量的睡眠质量是人体生理健康和心理健康的必要条件。睡眠障碍严重影响人类健康和生活,将睡眠阶段准确的分类是检测和治疗睡眠障碍的关键,睡眠阶段分类也称之为睡眠分期。在睡眠分期领域,主流的深度学习方法在同一层次上仅仅使用了某种单一的关系归纳偏置,这会使得深度学习方法的特征提取方式不够完备并导致该方法的性能受到限制。
本文使用平移不变性、时间不变性和分层处理等多种关系归纳偏置。首先使用分层处理的关系归纳偏置将睡眠信号按照时域分为帧层次、片段层次和序列层次。然后通过分析睡眠帧层次信号和片段层次信号的时不变性质,使用了多支路多尺度CNN网络分别在帧层次CNN网络和片段层次CNN网络施加具有平移不变性的卷积层进行睡眠分期。其次通过分析睡眠片段层次信号的时序特征,在多支路多尺度CNN网络的基础上增加了片段层次RNNs网络构成C/R混合网络。最后继续添加了序列层次RNNs网络进行睡眠阶段之间的状态转化关系学习,并使用残差连接优化了整个网络。最终网络被称之为CCRRSleepNet,并使用多种非关系归纳偏置进行优化。
本文在Sleep-EDF数据集上测试了CCRRSleepNet模型,并在未经任何预处理的Fpz-Cz通道数据中取得了84.32%的总体准确率,79.84的MF1分数和0.78的CohensKappa系数;在未经任何预处理的Pz-Oz通道数据中取得了80.34%的总体准确率,74.63的MF1分数和0.73的CohensKappa系数。本文提出的方法超过了现有的许多先进的分类方法。综上所述,本文的CCRRSleepNet模型在睡眠分期任务中具有优越的分类性能,同时本文提出的模型也为解决时序信号分类问题提供了一种新的选择。
本文使用平移不变性、时间不变性和分层处理等多种关系归纳偏置。首先使用分层处理的关系归纳偏置将睡眠信号按照时域分为帧层次、片段层次和序列层次。然后通过分析睡眠帧层次信号和片段层次信号的时不变性质,使用了多支路多尺度CNN网络分别在帧层次CNN网络和片段层次CNN网络施加具有平移不变性的卷积层进行睡眠分期。其次通过分析睡眠片段层次信号的时序特征,在多支路多尺度CNN网络的基础上增加了片段层次RNNs网络构成C/R混合网络。最后继续添加了序列层次RNNs网络进行睡眠阶段之间的状态转化关系学习,并使用残差连接优化了整个网络。最终网络被称之为CCRRSleepNet,并使用多种非关系归纳偏置进行优化。
本文在Sleep-EDF数据集上测试了CCRRSleepNet模型,并在未经任何预处理的Fpz-Cz通道数据中取得了84.32%的总体准确率,79.84的MF1分数和0.78的CohensKappa系数;在未经任何预处理的Pz-Oz通道数据中取得了80.34%的总体准确率,74.63的MF1分数和0.73的CohensKappa系数。本文提出的方法超过了现有的许多先进的分类方法。综上所述,本文的CCRRSleepNet模型在睡眠分期任务中具有优越的分类性能,同时本文提出的模型也为解决时序信号分类问题提供了一种新的选择。