SeqSleepNet：用于序列到序列自动睡眠分期的端到端分层循环神经网络
机器学习
2019-02-05 v3 信号处理
机器学习
摘要
自动睡眠分期通常被视为一个简单的分类问题，旨在一次确定一个目标多导睡眠图（PSG） epoch 的标签。在本工作中，我们将该任务作为一个序列到序列分类问题来处理，其接收多个 epoch 的序列作为输入并一次性分类它们的所有标签。为此，我们提出了一种名为 SeqSleepNet 的分层循环神经网络。在 epoch 处理层，该网络由一个为学习频域滤波器以进行预处理而定制的滤波器组层，以及一个为短期序列建模而设计的基于注意力的循环层组成。在序列处理层，一个循环层置于学习到的逐 epoch 特征之上，用于对序列 epoch 进行长期建模。然后在顶层循环层每个时间步的输出向量上执行分类，以产生输出标签序列。尽管是分层的，我们提出了一种以端到端方式训练该网络的策略。我们表明，所提出的网络优于最先进的方法，在包含 200 名受试者的公开数据集上实现了 87.1% 的总体准确率、83.3% 的宏 F1 分数和 0.815 的 Cohen's kappa。
引用
@article{arxiv.1809.10932,
title = {SeqSleepNet: End-to-End Hierarchical Recurrent Neural Network for Sequence-to-Sequence Automatic Sleep Staging},
author = {Huy Phan and Fernando Andreotti and Navin Cooray and Oliver Y. Chén and Maarten De Vos},
journal= {arXiv preprint arXiv:1809.10932},
year = {2019}
}
备注
This article has been published in IEEE Transactions on Neural Systems and Rehabilitation Engineering