系列SleepNet:一个EEG时间序列模型,部分数据增强,用于自动评分睡眠阶段
Minji Lee1, Heon-Gyu Kwak2, Hyeong-Jin Kim3
1Department of Biomedical Software Engineering, The Catholic University of Korea, Bucheon, Republic of Korea.
Frontiers in physiology
|September 13, 2023
概括
SeriesSleepNet是一种使用卷积神经网络 (CNN) 和双向长期短期记忆 (bi-LSTM) 的新型深度学习模型,从电脑学信号中准确地得分睡眠阶段. 这种先进的模型增强了睡眠障碍诊断和睡眠质量评估.
科学领域:
- * 神经科学是一门神经科学.
- * 生物医学工程 * 生物医学工程
- * 机器学习 * 机器学习
背景情况:
- *准确的睡眠阶段评分对于诊断睡眠障碍和评估睡眠质量至关重要.
- * 传统方法通常依赖于手动注释或更简单的算法,这些算法可能耗时且不那么精确.
- *使用脑电图 (EEG) 信号的自动睡眠阶段评分提供了更有效和客观的方法.
研究的目的:
- * 开发和验证一个名为SeriesSleepNet的自动睡眠阶段评分模型.
- *利用卷积神经网络 (CNN) 和双向长期短期记忆 (bi-LSTM) 网络来增强EEG数据的时间序列分析.
- * 提高睡眠阶段分类的准确性和性能,使用部分数据增强和新的损失函数.
主要方法:
- * 实现了SeriesSleepNet,这是一个混合深度学习架构,结合了CNN用于时代内特征提取和bi-LSTM用于时代间顺序学习.
- * 使用单通道原始电脑电图 (EEG) 信号作为输入.
- * 应用了部分数据增强,以捕捉短时间序列中的时间依赖.
- * 采用自定义损失函数用于模型微调,并在睡眠-EDF和SHHS数据集上进行验证.
主要成果:
- * 在五类睡眠阶段分类中取得了高性能,整体准确度为0.87 (睡眠-EDF) 和0.84 (SHHS).
- *与基线模型和最先进的方法相比,表现出优异的性能,由0.80和0.78的整体F1得分和0.81和0.78的卡帕值证明.
- *CNN和bi-LSTM组件,以及部分数据增强,对模型的有效性做出了重大贡献.
结论:
- * SeriesSleepNet提供了一个高度准确和强大的框架,用于使用单通道EEG进行自动睡眠阶段评分.
- * 该模型的性能表明其在临床环境中对睡眠障碍诊断和睡眠质量评估的潜在实用性.
- * 拟议的架构有效地捕获了EEG信号中的本地和顺序时间信息,以改进分类.
