利用亚 epoch 特征的 epoch 内与 epoch 间时间上下文网络 (IITNet) 用于原始单通道 EEG 的自动睡眠分期
摘要
我们提出了一种名为 IITNet 的深度学习模型，用于从原始单通道 EEG 中学习 epoch 内与 epoch 间时间上下文以实现自动睡眠分期。为了从称为 epoch 的半分钟 EEG 分类睡眠阶段，睡眠专家会考察睡眠相关事件并考虑所发现事件之间的转换规则。类似地，IITNet 通过残差神经网络在亚 epoch 级别提取代表性特征，并经由双向 LSTM 从该特征序列中捕获 epoch 内与 epoch 间时间上下文。针对三个数据集，研究了序列长度 (L) 从 1 增加到 10 时的性能。IITNet 取得了与其他 SOTA 结果相当的性能。最佳准确率、MF1 与 Cohen's kappa () 在 SleepEDF (L=10) 上分别为 83.9%、77.6%、0.78，在 MASS (L=9) 上分别为 86.5%、80.7%、0.80，在 SHHS (L=10) 上分别为 86.7%、79.8%、0.81。即使使用四个 epoch，性能仍具可比性。与使用单个 epoch 相比，平均准确率与 MF1 分别提升了 2.48%p 与 4.90%p，N1、N2 与 REM 的 F1 分别提升了 16.1%p、1.50%p 与 6.42%p。超过四个 epoch 后，性能提升不显著。结果支持考虑最近两分钟原始单通道 EEG 可作为通过深度神经网络进行高效可靠睡眠分期的合理选择。此外，与基线的实验表明，引入基于深度残差网络的 epoch 内时间上下文学习有助于整体性能提升，并与 epoch 间时间上下文学习具有正向协同效应。
引用
@article{arxiv.1902.06562,
title = {Intra- and Inter-epoch Temporal Context Network (IITNet) Using Sub-epoch Features for Automatic Sleep Scoring on Raw Single-channel EEG},
author = {Hogeon Seo and Seunghyeok Back and Seongju Lee and Deokhwan Park and Tae Kim and Kyoobin Lee},
journal= {arXiv preprint arXiv:1902.06562},
year = {2020}
}
备注
First three authors contributed equally to this work; Accepted manuscript for Biomedical Signal Processing and Control (BSPC); 12 pages, 6 figures;