一种利用高效神经架构搜索结合新数据处理技巧生成 CNN 的睡眠分期分类新方法
信号处理
2022-03-22 v3 机器学习
摘要
随着自动睡眠分期分类（ASSC）技术的发展，许多经典方法如 k-means、决策树和 SVM 已被用于自动睡眠分期分类。然而，极少有方法探索深度学习在 ASSC 上的应用。同时，大多数深度学习方法需要大量专业知识，并受制于繁琐的手动设计步骤，这些步骤耗时尤其在处理多分类任务时。在本文中，我们提出一种高效的五睡眠分期分类方法，使用卷积神经网络（CNN）并配以新颖的数据处理技巧，且我们设计了基于遗传算法（GA）的神经架构搜索（NAS）技术，即 NAS-G，以搜索最佳 CNN 架构。首先，我们为每个核附加一个自适应系数以增强输入的信号处理。这能在网络早期阶段增强信息性特征的传播并抑制无用特征的传播。然后，我们充分利用 GA 的启发式搜索及无需梯度的优势来搜索 CNN 的最佳架构。这能以最小代价在大搜索空间中获得比手动设计更优的 CNN。我们验证了数据处理技巧的收敛性，并比较了传统 CNN 使用技巧前后的性能。同时，我们比较了通过 NAS-G 生成的 CNN 与采用我们技巧的传统 CNN 的性能。实验表明，带数据处理技巧的 CNN 收敛快于不带该技巧的 CNN，且由 NAS-G 生成并带数据处理技巧的 CNN 优于同样使用该技巧的手动设计对应模型。
引用
@article{arxiv.2110.15277,
title = {A Novel Sleep Stage Classification Using CNN Generated by an Efficient Neural Architecture Search with a New Data Processing Trick},
author = {Yu Xue and Ziming Yuan and Adam Slowik},
journal= {arXiv preprint arXiv:2110.15277},
year = {2022}
}
备注
We need to withdraw this article due to a conflict of interest