DeepSleepNet-Lite：一种带不确定性估计的简化自动睡眠分期模型
机器学习
2022-09-20 v1
摘要
深度学习在最近的自动睡眠分期算法中被广泛使用。其流行源于其优异的性能，以及直接处理原始信号并从数据中学习特征的能力。现有的大多数分期算法由于训练参数众多，采用了计算需求极高的架构，并在输入中处理长时间序列（长达12分钟）。这些架构中仅有少数提供模型不确定性的估计。在本研究中，我们提出 DeepSleepNet-Lite，一种简化且轻量级的分期架构，仅处理90秒的 EEG 输入序列。我们首次在睡眠分期中利用蒙特卡洛 dropout 技术来提升架构性能并检测不确定样本。评估在开源 Sleep-EDF 扩展数据库的单通道 EEG Fpz-Cz 上进行。在总体准确率、宏 F1 分数和 Cohen's kappa 上，DeepSleepNet-Lite 相比现有 SOTA 架构性能略低或持平（在 Sleep-EDF v1-2013 +/-30mins：84.0%、78.0%、0.78；在 Sleep-EDF v2-2018 +/-30mins：80.3%、75.2%、0.73）。蒙特卡洛 dropout 实现了对不确定预测的估计。通过拒绝不确定样本，模型在两个版本的数据库上均达到更高性能（在 Sleep-EDF v1-2013 +/-30mins：86.1%、79.6%、0.81；在 Sleep-EDF v2-2018 +/-30mins：82.3%、76.7%、0.76）。我们更轻量的睡眠分期方法为实时睡眠分析中分期算法的应用铺平了道路。
引用
@article{arxiv.2108.10600,
title = {DeepSleepNet-Lite: A Simplified Automatic Sleep Stage Scoring Model with Uncertainty Estimates},
author = {Luigi Fiorillo and Paolo Favaro and Francesca Dalia Faraci},
journal= {arXiv preprint arXiv:2108.10600},
year = {2022}
}