基于深度学习的端到端自动睡眠分期研究

发布时间：2020-04-27 23:37

【摘要】：针对现阶段可用的睡眠脑电数据皆为类不平衡小数据集,深度学习模型的直接迁移应用所取得的分期效果较差的问题,分别从数据集重构和模型训练优化两方面入手,提出一种可用于少量类不均衡原始睡眠脑电数据集的深度端到端自动睡眠分期模型。以下为本文的主要研究内容和成果:(1)构建了深度端到端自动睡眠分期模型。使用Sleep-EDF数据库Fpz-Cz通道的原始睡眠脑电数据集对模型进行15折交叉验证实验,得到总体精度和宏平均F1值分别为86.73%和81.70%。并通过与近年使用相同实验数据集的高水平分类模型的比较,验证了所提出的端到端自动睡眠分期模型的先进性。(2)在改进生成少数类过采样技术(MSMOTE)的基础上从减少决策域的角度出发,只对少数类中的安全类进行扩增,并对数据生成的方法进行改进,提出同维度变换生成少数类过采样技术(DMSMOTE)。实验表明,DMSMOTE在本文模型中的应用效果优于MSMOTE。(3)以减少类原始数据集中类不均衡对少数类分类的负面影响为出发点。考虑到DMSMOTE重构后生成的类平衡数据集中会含有不属于任何分类的数据;用DMSMOTE重构后的类平衡数据集对模型作预激活处理,原始脑电数据集用于模型的微调。实验表明,采用DMSMOTE重构后生成的类平衡数据集对模型作预激活,可使最小类的分类F1值由45.16%增至53.64%。研究结果显示:模型可实现对少量原始睡眠脑电数据的端到端学习,总体分类效果优于近年高水平模型;鉴于其端到端特性,相对于传统基于特征工程的机器学习模型,所提模型更适用于配备远程服务器的分体式个性化睡眠监测设备。
【图文】：

以 LeNet-5 结构图[36]为例，图 2-2 为其网络结构图。图 2-2 LeNet-5 网络结构图如图 2-2 所示，卷积层可以对自主输入层的时不变特征进行自主学习。图 2-2中，该卷积层由六个特征图组成，特征图中的每个神经元都连接到上一层的神经元邻域，这个在前一层神经元的邻域被称为神经元的接收域。为了计算新的特征映射，输入特征映射首先与已知的内核进行卷积，然后将结果传递给非线性激活函数；同时使用不同的卷积核进行卷积操作以提取特征图上多种类型的特征（每个卷积核都会对特征图上所有位置进行卷积运算，这就实现了权值共享）。卷积运算结束后会进入非线性变换阶段，这一阶段将使用激活函数对卷积运算得出的结果进行非线性变换处理，进一步避免可能存在的线性模型处理能力不足的问题[37]。常用的非线性激活函数有 Sigmoid 函数、Tanh函数、ReLU（Rectified Linear Unit）函数等

哈尔滨工业大学工程硕士学位论文-1 -2 1 ( , ,......, )t t t t ts g x ,x x x 其中函数tg 把所有过往序列-1 -2 1( , ,......, )t t tx ,x x x 映射在现时间状态果将ts 当成现时间步 t 对前期序列的归纳，公式（2-3）也是递归神经部分定义。如果将递归神经网络应用在睡眠脑电信号识别系统的建处理是给定一批先前睡眠阶段来对下一个睡眠阶段进行预测。由前面所铺垫的 FG 相关理论，可以构建一种具有广泛性和多样性路，，这种递归回路结构[39]的具体结构如图 2-5 所示，该结构展开图结构直观地进行展示。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;R740

【参考文献】

相关期刊论文 前6条

1 张博;史忠植;赵晓非;张建华;;一种基于跨领域典型相关性分析的迁移学习方法[J];计算机学报;2015年07期

2 沈跃;刘慧;谢洪波;和卫星;;基于贝叶斯相关向量机的脑电睡眠分期[J];江苏大学学报(自然科学版);2011年03期

3 祝宇虹;张忠奎;李满天;;一种基于脑电ZCR值的自动睡眠分期方法研究[J];机械与电子;2010年06期

4 杨树仁;沈洪远;;基于相关向量机的机器学习算法研究与应用[J];计算技术与自动化;2010年01期

5 王菡侨;;有关美国睡眠医学学会睡眠分期的最新判读标准指南解析[J];诊断学理论与实践;2009年06期

6 胡艳;李宏翰;;硕士生睡眠质量状况及其与心理健康的相关研究[J];山东精神医学;2006年02期

相关硕士学位论文 前3条

1 吴国琴;迁移学习在图像分类中的应用研究[D];安徽大学;2017年

2 李斐;基于脑电信号特征提取的睡眠分期方法研究[D];南京邮电大学;2016年

3 龚千健;基于循环神经网络模型的文本分类[D];华中科技大学;2016年

本文编号：2642782