基于双向 LSTM 的可穿戴多传感器系统睡眠分期分类
信号处理
2019-09-26 v1
摘要
理解睡眠质量和结构对人类健康至关重要，其通常由多睡眠阶段表示。标准的睡眠阶段判定需要在昂贵且劳动密集的多导睡眠图（PSG）测试中记录脑电图（EEG）信号。为克服此不便，心呼吸信号因可通过简化设备轻松舒适地获取而被提出用于相同目的。在本文中，我们利用低成本可穿戴多传感器系统从受试者采集心呼吸信号。在特征提取过程中设计了三个新特征。随后我们应用带有长短期记忆（BLSTM）的双向循环神经网络架构来预测四分类睡眠阶段。我们在大型公开数据集（417 名受试者）上的预测准确率为 80.25%，在我们招募的 32 名受试者上为 80.75%。我们的结果优于先前工作，后者或使用小数据集存在潜在过拟合问题，或在大数据集上使用常规机器学习方法。
引用
@article{arxiv.1909.11141,
title = {Sleep Stage Classification Using Bidirectional LSTM in Wearable Multi-sensor Systems},
author = {Yuezhou Zhang and Zhicheng Yang and Ke Lan and Xiaoli Liu and Zhengbo Zhang and Peiyao Li and Desen Cao and Jiewen Zheng and Jianli Pan},
journal= {arXiv preprint arXiv:1909.11141},
year = {2019}
}
备注
6 pages