基于脑电多视图混合神经网络的时空半监督睡眠分期

睡眠分期是评价睡眠质量的必要基础,现阶段的工作大部分采用全监督学习和单一维度视图信息进行,这不仅需要技师进行大量的睡眠数据标注,还可能因特征提取不充分而导致分期准确率受限的问题。利用半监督学习策略,实现对脑电无标注数据的学习。提出一种多视图混合神经网络,首先用多通道视图时频域机制分别提取时域信号特征和空域信号特征,实现多视图特征提取;再通过注意力机制加强对显著性特征的提取;最后将上述混合特征融合并分类。在三个公开数据集和一个私有数据集中与全监督学习进行了对比评估,半监督学习取得平均准确率为81.0%,卡帕值为73.2%。结果表明,本文模型可以与全监督学习的睡眠分期模型相媲美,同时显著减少技师标注数据的工作量。      

一种融合分组卷积和半监督的睡眠分期方法

已有的睡眠分期研究大部分采用监督学习的方法,其模型训练高度依赖于大量优质的标签数据,所提取的特征也较为粗糙。为此,提出了将半监督学习应用于分组卷积神经网络的睡眠分期方法。首先,采用分组残差卷积网络作为骨干网络,使不同分组学习的特征多样化,让整个网络关注来自不同子空间的信息,从而提取多角度特征; 其次,为减少标注技师的工作负担,采用半监督学习的方法,从大量未标注数据中提取特征与标注数据提取的特征进行对抗,以获得更多细粒度特征。实验结果表明,在Sleep-EDFx数据集上的睡眠分期准确率能够达到0.837±0.001,卡帕系数达到0.774±0.002,均优于对比算法。