论文部分内容阅读
睡眠是人们生理活动中相对重要、不能缺少的一项,良好的睡眠质量是我们工作、生活和学习的一个重要保障。睡眠分期是睡眠研究的基础,可以帮助人们认识各个睡眠阶段特征和评估睡眠质量,而且对于睡眠相关疾病的诊断起到很大的作用。其中不同睡眠阶段中生理信号有不同的特征变化,所以生理信号常被用来进行睡眠分期,本文选用脑电信号(EEG)进行睡眠分期。
目前阶段基于深度学习方法的睡眠分期研究已经趋于成熟,且比传统的方法准确度更高,所以本文使用基于端到端的网络模型进行睡眠分期研究。本文主要研究内容包括:
(1)对所选用的Sleep-EDF数据集中Fpz-Cz通道的原始EEG数据进行30s分段后进行滤波,接着验证了基于小波变换的支持向量机(SVM)传统睡眠分期算法,即利用小波变换提取脑电信号的信息能量特征,最后输入到SVM分类器实现睡眠阶段分类。
(2)本文构建了完全卷积神经网络(CCNN)用于睡眠阶段分期,本文采用CCNN代替卷积神经网络(CNN),去掉CNN网络中的池化层,保留了更多有用特征,使用Sleep-EDF数据集中Fpz-Cz和Pz-Oz通道脑电信号进行20折交叉验证实验,得出改进的CCNN网络对于睡眠阶段分类具有一定精度的提高;另外在CCNN网络的基础上加入双向长短记忆网络(BiLSTM)构建了CCNN-BiLSTM网络模型用于睡眠分期,作为后面深度残差CCNN-BiGRU网络的对比网络。
(3)本文构建了深度残差CCNN-BiGRU网络模型,相较于上面的CCNN-BiLSTM网络,深度残差CCNN-BiGRU网络模型在CCNN网络中加入残差连接,用于增强信息特征、缓解梯度消失现象;并且在加入了Mask层,通过滤除不完整的特征序列来加强最后的特征分类结果。此模型使用Sleep-EDF数据集中Fpz-Cz和Pz-Oz通道脑电信号进行20折交叉验证实验,得到最终整体精度分别为96.31%和92.15%,通过与近年相同实验数据集的高水平论文模型比较,验证了本文深度残差CCNN-BiGRU网络模型的可行性、先进性。
目前阶段基于深度学习方法的睡眠分期研究已经趋于成熟,且比传统的方法准确度更高,所以本文使用基于端到端的网络模型进行睡眠分期研究。本文主要研究内容包括:
(1)对所选用的Sleep-EDF数据集中Fpz-Cz通道的原始EEG数据进行30s分段后进行滤波,接着验证了基于小波变换的支持向量机(SVM)传统睡眠分期算法,即利用小波变换提取脑电信号的信息能量特征,最后输入到SVM分类器实现睡眠阶段分类。
(2)本文构建了完全卷积神经网络(CCNN)用于睡眠阶段分期,本文采用CCNN代替卷积神经网络(CNN),去掉CNN网络中的池化层,保留了更多有用特征,使用Sleep-EDF数据集中Fpz-Cz和Pz-Oz通道脑电信号进行20折交叉验证实验,得出改进的CCNN网络对于睡眠阶段分类具有一定精度的提高;另外在CCNN网络的基础上加入双向长短记忆网络(BiLSTM)构建了CCNN-BiLSTM网络模型用于睡眠分期,作为后面深度残差CCNN-BiGRU网络的对比网络。
(3)本文构建了深度残差CCNN-BiGRU网络模型,相较于上面的CCNN-BiLSTM网络,深度残差CCNN-BiGRU网络模型在CCNN网络中加入残差连接,用于增强信息特征、缓解梯度消失现象;并且在加入了Mask层,通过滤除不完整的特征序列来加强最后的特征分类结果。此模型使用Sleep-EDF数据集中Fpz-Cz和Pz-Oz通道脑电信号进行20折交叉验证实验,得到最终整体精度分别为96.31%和92.15%,通过与近年相同实验数据集的高水平论文模型比较,验证了本文深度残差CCNN-BiGRU网络模型的可行性、先进性。