用于睡眠分期分类的深度学习：修正线性单元激活函数与修正正交权重初始化
信号处理
2022-03-10 v1 机器学习
摘要
背景与目的：睡眠的每个阶段都会影响人体健康，任何阶段睡眠不足都可能导致异态睡眠、呼吸暂停、失眠等睡眠障碍。睡眠相关疾病可利用卷积神经网络分类器进行诊断。然而，由于分类复杂度高、准确率低，该分类器尚未成功应用于睡眠分期分类系统。本研究旨在提高卷积神经网络分类器的准确率并减少其学习时间。方法：所提出的系统采用修正的正交卷积神经网络和修正的Adam优化技术，以改善睡眠分期分类准确率，并缓解由sigmoid激活函数引起的梯度饱和问题。该系统使用泄漏修正线性单元（Leaky ReLU）代替sigmoid激活函数作为激活函数。结果：所提出的增强睡眠分期分类系统（ESSC）使用了六个不同的数据库对模型在不同睡眠分期上进行训练和测试，这些数据库包括都柏林大学学院数据库（UCD）、贝斯以色列女执事医疗中心MIT数据库（MIT-BIH）、睡眠欧洲数据格式（EDF）、睡眠EDF扩展版、蒙特利尔睡眠研究档案（MASS）和睡眠心脏健康研究（SHHS）。我们的结果表明梯度饱和问题已不复存在。修正的Adam优化器有助于降低噪声，从而加快收敛速度。结论：与现有最优方案相比，ESSC的收敛速度得到提升，且分类准确率更优。
引用
@article{arxiv.2203.04371,
title = {Deep Learning for Sleep Stages Classification: Modified Rectified Linear Unit Activation Function and Modified Orthogonal Weight Initialisation},
author = {Akriti Bhusal and Abeer Alsadoon and P. W. C. Prasad and Nada Alsalami and Tarik A. Rashid},
journal= {arXiv preprint arXiv:2203.04371},
year = {2022}
}
备注
20 pages