利用超图学习从时空数据中进行睡眠分期分类
机器学习
2023-09-06 v1 信号处理
摘要
睡眠分期分类对于检测患者健康状况至关重要。现有模型主要使用卷积神经网络(CNN)建模欧几里得数据、使用图卷积网络(GNN)建模非欧几里得数据,无法同时考虑多模态数据的异质性与交互性以及时空相关性,这阻碍了分类性能的进一步提升。本文提出一种动态学习框架STHL,引入超图对时空数据进行编码以实现睡眠分期分类。超图能够构建多模态/多类型数据,而非仅使用两个对象间的简单成对关系。STHL分别创建空间超边与时间超边以建立节点关联,随后执行特定类型的超图学习过程将属性编码至嵌入空间。大量实验表明,我们所提出的STHL在睡眠分期分类任务上优于当前最先进的模型。
引用
@article{arxiv.2309.02124,
title = {Exploiting Spatial-temporal Data for Sleep Stage Classification via Hypergraph Learning},
author = {Yuze Liu and Ziming Zhao and Tiehua Zhang and Kang Wang and Xin Chen and Xiaowei Huang and Jun Yin and Zhishu Shen},
journal= {arXiv preprint arXiv:2309.02124},
year = {2023}
}