结合生成式与判别式神经网络用于睡眠分期分类
机器学习
2016-10-07 v1 神经与进化计算
摘要
睡眠分期模式为诊断睡眠障碍的存在提供了重要线索。通过分析睡眠分期模式并从脑电图、眼电图和肌电图信号中提取其特征，我们可以对睡眠阶段进行分类。本研究提出了一种新颖的分类模型，用于高精度预测睡眠阶段。其主要思想是将深度信念网络 (DBN) 的生成能力与长短期记忆网络 (LSTM) 的判别能力和序列模式识别能力相结合。我们使用 DBN 作为自动的高层特征生成器。DBN 的输入是 28 个在先前睡眠阶段研究中使用的“手工制作”特征。我们将我们的方法与其他将 DBN 与隐马尔可夫模型 (HMM) 相结合的技术进行了比较。在本研究中，我们利用了睡眠数据集的序列或时间序列特性。据我们所知，目前大多数基于多导睡眠图的睡眠分析仅依赖于单实例标签（非序列）进行分类。在本研究中，我们使用了两个数据集：一个作为基准的开放数据集；另一个是我们自己的睡眠阶段数据集（可供下载）以进一步验证结果。我们的实验表明，DBN 与 LSTM 的结合在基准数据集上给出了更好的总体准确率 98.75%（Fscore=0.9875），在 MKG 数据集上为 98.94%（Fscore=0.9894）。这一结果优于睡眠分期分类的最先进水平 91.31%。
引用
@article{arxiv.1610.01741,
title = {Combining Generative and Discriminative Neural Networks for Sleep Stages Classification},
author = {Endang Purnama Giri and Mohamad Ivan Fanany and Aniati Murni Arymurthy},
journal= {arXiv preprint arXiv:1610.01741},
year = {2016}
}
备注
Submitted to Computational Intelligence and Neuroscience (Hindawi Publishing). 13 pages