基于半监督学习和迁移学习的自动睡眠分期算法的研究.pdfVIP

基于半监督学习和迁移学习的自动睡眠分期算法的研究

摘要

睡眠阶段分期在睡眠疾病如失眠和OSA的诊断和睡眠质量评估中起着重要

作用。临床睡眠分期由睡眠专家对PSG进行手动分期，过程费时费力。基于深

度学习的自动睡眠分期方法在改变睡眠分期临床实践方面具有巨大潜力。尽管自

动睡眠分期模型的性能已经与睡眠专家的手动分期不相上下，然而自动睡眠分期

还未在临床上被广泛采用，这是由于自动睡眠分期模型存在两个主要技术缺陷：

睡眠数据低效和睡眠数据源差异。目前的大部分自动睡眠分期算法是在特定的标

签数据集上构建分期模型，模型训练不仅需要大量带标签的睡眠数据，而且由于

睡眠数据集存在差异，模型无法适用于其他睡眠数据集。因此，本文提出一种基

于半监督学习和迁移学习的自动睡眠分期方法，可以利用无标签数据来提高模型

分类性能，采用迁移学习方案来解决睡眠数据集差异的问题。论文的研究内容如

下：

（1）提出了一种基于单通道脑电的睡眠混合神经网络（SHNN）模型，模型采

用了双尺度CNN和双向GRU来提取脑电特征和时间上下文信息，模型结构简

单，参数量少，而且睡眠阶段的任务可以在端到端的模型中完成。SHNN模型的

总体分类性能和每类分期结果都能与现阶段的单通道自动睡眠分期方法相媲美。

此外，本文还对SHNN模型做了可解释性实验和消融实验，实验结果证明，SHNN

模型的每个模块都有作用，缺少任何模块都会导致模型性能的大幅下降。

（2）提出了一种基于半监督学习的伪标签优化算法，使SHNN模型在睡眠数据

集拥有少量标签数据和大量无标签数据时保持更好的性能。伪标签优化算法利用

无标记数据进一步训练SHNN模型，在不牺牲每类的分类性能的情况下，提高

模型的整体分期性能。伪标签优化算法可以迁移到其他睡眠分期模型上使用，并

大幅提高各个睡眠阶段的分期性能。

（3）提出了一种基于迁移学习的自动睡眠分期方法。首先利用迁移学习的思想，

将健康人的数据集作为迁移学习的源域，将健康人、失眠患者和OSA患者的数

据集分别作为迁移学习的目标域，同时利用迁移策略和类平衡策略微调模型。模

型在健康人、失眠患者和OSA患者数据集上对睡眠阶段的分类准确率分别为

83.34%、82.54%、81.97%。本文还对比了不同迁移策略、跨模态迁移对模型性

能的影响。实验表明，基于迁移学习的自动睡眠分期方法能够有效解决睡眠数据

源差异带来的分期性能下降问题。

关键词：睡眠分期，数据低效，数据源差异，伪标签优化算法，迁移学习

ResearchonAutomaticSleepStagingAlgorithmbasedon

Semi-SupervisedLearningandTransferLearning

ABSTRACT

Sleepstagestagingplaysanimportantroleinthediagnosisandsleepquality

assessmentofsleepdisorderssuchasinsomniaandOSA.Clinicalsleepstagingis

performedmanuallybysleepexpertsonPSG,whichistime-consumingandlaborious.

Automaticsleepstagingmethodsbasedondeeplearninghavegreatpotentialto

changetheclinicalpracticeofsleepstaging.Althoughtheperformanceofautomated

sleepstagingmodelshasbeencomparabletomanualstagingbysleepexperts,

automatedsleepstaginghas