基于深度学习的睡眠分期研究.pdfVIP

摘要

睡眠分期是将人类睡眠过程按特定标准划分为不同阶段的过程，这在诊断和

治疗睡眠相关疾病方面至关重要。传统睡眠分期方法需要借助专家基于特定规则

来手动标注和判断睡眠数据，这不仅对操作者的经验要求很高，而且耗时费力。

近年来，随着深度学习等先进技术的发展，基于这些技术的研究也呈现出增长趋

势。尽管如此，现有的自动睡眠分期方法依然主要依赖时域和频域特征进行分

类，然而这种方法面临着特征提取过程复杂、分类结果准确性较低等问题。相较

之下，深度学习中的卷积神经网络以其强大的数据处理能力、模型复杂度低和参

数共享优势成为研究热门。此外，现有研究大多关注单一脑电信号而忽视了其他

生理信号的作用。因此，本文旨在探讨一种基于深度学习的端到端睡眠分期方

法，分别以单通道脑电信号和多模态生理信号为研究对象。通过设计相应的深度

学习神经网络，提高自动睡眠分期的准确性和效率，丰富现有的研究方法，并为

医学睡眠监测提供实际应用价值。本研究的主要内容如下：

（1）对单通道的脑电信号进行端到端地睡眠分期研究。首先本文针对单尺度

卷积神经网络无法完全捕捉到显著波形的特征的问题，设计了一种多尺度卷积神

经网络模型，该模型由多核残差卷积神经网络、自适应特征校准模块、多头注意

力网络组成。其中，多核残差卷积神经网络用于捕捉脑电信号中的显著波形特

征；自适应特征校准模块用于自适应校准并增强生成的特征图，以获取更准确的

特征表示并提高网络的性能；多头注意力网络用于更好的强化并学习捕获的特

征，通过多头注意力机制进行细粒度相关性分析，评估输入特征之间的时间相关

性，最大限度地区分不同睡眠阶段，从而提高N1睡眠阶段的检测精度。其次针对

睡眠数据不平衡的问题，采用重采样算法扩充N1睡眠阶段样本数，设计一种加权

交叉熵损失函数用于模型训练，降低样本标签不平衡对模型分类器造成的影响。

最后，为了验证模型的有效性和先进性，设计了相关消融实验和对比实验，通过

实验得出结论：本文设计的模型在Sleep-EDF-20数据集上MF1和ACC分别为

0.807和0.911；在Sleep-EDF-78数据集上MF1和ACC分别为0.766和0.891；在

SHHS数据集上MF1和ACC分别为0.789和0.898，各个评价指标上均高于对比的

算法。

（2）对多模态信号融合网络进行睡眠分期研究。由于在睡眠阶段分类过程中，

EOG和EMG信号与EEG信号共同提供了有价值的补充信息来源，所以本文联合

多个模态信号进行睡眠分期研究。本文采用模型级融合策略，设计了多层GRU网

络用于融合各个模态的特征信息。通过上文设计的网络模型提取特征和学习特征，

再依据各个模态的重要性依次输入多层GRU网络进而证明了多模态特征融合方式

的选取能够有效的改善睡眠分期结果。为了验证融合网络的性能，将该模型与其

他融合方式以及与现有的多模态信号研究作对比。通过实验得出结论：本文基于

多模态融合网络的睡眠分期研究在Sleep-EDF-78数据集上总体MF1和ACC分别达

到了0.783和0.912，在SHHS数据集上总体MF1和ACC分别达到了0.802和0.923，

各个评价指标上均高于对比的算法。

综上，本文设计的模型在睡眠分期任务中具有优异的性能。

关键词：睡眠信号；睡眠分期；卷积神经网络；门控循环单元；加权交叉熵损失

函数；

Abstract

Sleepstagingistheprocessofdividingthehumansleepprocessintodifferentstages

accordingtospecificcriteria,whichiscrucialinthediagnosisandtreatmentofsleep-

relateddiseases.Traditionalsleepstagingmethodsrequiretheuseofexpertstomanually

annotateandjudgesleepdatabasedonspecificrules,whichisnotonlydemanding