用于时序睡眠分期分类的混合神经网络方法
神经元与认知
2017-08-04 v3 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
本文提出一种实用方法，以解决在睡眠分期分类应用中使用单个活动电极所带来的局限性。基于脑电图（EEG）的睡眠阶段进展表征有助于多种睡眠疾病的诊断与监测。此前已有若干报告探索了自动化分析睡眠 EEG 以及降低可靠区分睡眠阶段所需数据复杂性的方法，以便使在家中进行低成本睡眠研究成为可能（而非仅在专业临床设施中进行）。然而，这些报告涉及放置在颅顶或枕部的电极记录，这可能令受试者感到不适或难以自行安放。那些利用包含较少睡眠信息的单通道 EEG 的研究，则表现出较差的分类性能。我们利用整流神经网络进行特征检测，并利用长短期记忆（LSTM）网络进行序列数据学习，以优化使用单个电极记录的分类性能。在探索了替代电极位置后，我们找到了一种舒适的前额单通道 EEG 配置，并证明其可与额外电极集成，以同步记录眼电图（EOG）。对 62 人（共 494 小时睡眠）数据的评估表明，我们的自动化睡眠分类分析算法性能优于使用颅顶或枕部电极位置的现有方法。使用这种记录配置与神经网络反卷积，有望使临床指示的家庭睡眠研究变得切实可行。
引用
@article{arxiv.1610.06421,
title = {Mixed Neural Network Approach for Temporal Sleep Stage Classification},
author = {Hao Dong and Akara Supratak and Wei Pan and Chao Wu and Paul M. Matthews and Yike Guo},
journal= {arXiv preprint arXiv:1610.06421},
year = {2017}
}
备注
THIS ARTICLE HAS BEEN PUBLISHED IN IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING