基于可穿戴设备的多级特征学习与循环神经网络睡眠分期分类
机器学习
2017-11-03 v1 机器学习
神经元与认知
摘要
本文提出一种实用方法，基于多级特征学习框架和循环神经网络（RNN）分类器，利用可穿戴设备得到的心率和腕部体动记录图进行自动睡眠分期分类。该特征学习框架旨在提取低层和中层特征。低层特征捕捉时域和频域特性，中层特征学习信号的组合与结构信息。由于睡眠分期是具有长期依赖的序列问题，我们利用带有双向长短期记忆（BLSTM）架构的 RNN 进行序列数据学习。为模拟日常睡眠的实际情况，实验在静息组（记录静息状态下的睡眠）和综合组（包含静息睡眠和非静息睡眠）中进行。我们基于八折交叉验证评估算法对五个睡眠阶段（W、N1、N2、N3 和 REM）的分类性能。所提算法在静息组中加权精确率、召回率和 F1 分数分别为 58.0%、60.3% 和 58.2%，在综合组中分别为 58.5%、61.1% 和 58.5%。多种对比实验证明了特征学习和 BLSTM 的有效性。我们进一步探讨了 RNN 深度和宽度对性能的影响。我们的方法专为可穿戴设备提出，有望适用于家庭长期睡眠监测。在不使用过多先验领域知识的情况下，我们的方法具有推广至睡眠障碍检测的潜力。
引用
@article{arxiv.1711.00629,
title = {Sleep Stage Classification Based on Multi-level Feature Learning and Recurrent Neural Networks via Wearable Device},
author = {Xin Zhang and Weixuan Kou and Eric I-Chao Chang and He Gao and Yubo Fan and Yan Xu},
journal= {arXiv preprint arXiv:1711.00629},
year = {2017}
}
备注
11 pages, 10 figures