基于 SSNet 从 EEG、EOG 和 EMG 信号分类睡眠分期
信号处理
2023-07-12 v1 人工智能
机器学习
摘要
睡眠分期分类在诊断包括睡眠呼吸障碍（SDB）疾病在内的睡眠相关疾病中起着至关重要的作用。在本研究中，我们提出了一种端到端深度学习架构，名为 SSNet，其包含基于卷积神经网络（CNN）和长短期记忆（LSTM）的两个深度学习网络。两个深度学习网络均从眼电图（EOG）、脑电图（EEG）和肌电图（EMG）信号的组合中提取特征，因为每种信号都具有有助于睡眠分期分类的独特特征。两个深度学习网络产生的特征被拼接后传入全连接层进行分类。我们使用两个公共数据集 Sleep-EDF Expanded 和 ISRUC-Sleep 评估了所提模型的性能。使用 Sleep-EDF Expanded 数据集对三类睡眠分期分类的准确率和 Kappa 系数分别为 96.36% 和 93.40%。而使用 Sleep-EDF Expanded 数据集对五类睡眠分期分类的准确率和 Kappa 系数分别为 96.57% 和 83.05%。与现有技术相比，我们的模型在睡眠分期分类中取得了最佳性能。
引用
@article{arxiv.2307.05373,
title = {Classification of sleep stages from EEG, EOG and EMG signals by SSNet},
author = {Haifa Almutairi and Ghulam Mubashar Hassan and Amitava Datta},
journal= {arXiv preprint arXiv:2307.05373},
year = {2023}
}