利用深度残差卷积网络对原始单通道脑电进行端到端睡眠分期
机器学习
2019-04-24 v1 计算机视觉与模式识别
信号处理
机器学习
摘要
人类约花费三分之一的生命睡眠，这使得睡眠监测成为健康的重要组成部分。本文提出一种用于端到端睡眠分期的 34 层深度残差 ConvNet 架构。该网络以原始单通道脑电图（Fpz-Cz）信号为输入，输出每 30 秒片段的睡眠图标注。实验在扩展的 PhysioNet Sleep-EDF 数据集上针对两种不同的评分标准（5 类和 6 类分期）展开，该数据集包含来自医院和家庭多导睡眠监测设置的多源数据。所提网络的性能与 SOTA 算法在患者无关验证任务中进行比较。实验结果表明，相较于现有最佳方法，所提网络具有优越性，在家庭数据和多源数据上分别带来 6.8% 和 6.3% 的逐 epoch 平均准确率相对提升。代码已在 Github 上公开。
引用
@article{arxiv.1904.10255,
title = {End-to-end Sleep Staging with Raw Single Channel EEG using Deep Residual ConvNets},
author = {Ahmed Imtiaz Humayun and Asif Shahriyar Sushmit and Taufiq Hasan and Mohammed Imamul Hassan Bhuiyan},
journal= {arXiv preprint arXiv:1904.10255},
year = {2019}
}
备注
5 pages, 3 Figures, Appendix, IEEE BHI 2019