基于条件神经场的序列化睡眠分期分类
神经与进化计算
2016-10-07 v1 机器学习
摘要
多导睡眠图数据库中的睡眠信号本质上是序列数据。然而，常用的分析和分类方法却忽略了这一事实，将睡眠信号视为非序列数据。本文将睡眠信号作为序列处理，在10折交叉验证后，比较了两种强大的无监督特征提取器和三种基于序列的分类器在准确率和计算（训练与测试）时间上的表现。所比较的特征提取器为深度置信网络（Deep Belief Networks, DBN）和模糊C均值（Fuzzy C-Means, FCM）聚类。所比较的基于序列的分类器为隐马尔可夫模型（Hidden Markov Models, HMM）、条件随机场（Conditional Random Fields, CRF）及其变体（即隐状态CRF（HCRF）和隐动态CRF（LDCRF）），以及条件神经场（Conditional Neural Fields, CNF）及其变体（LDCNF）。本研究使用了两个数据集。第一个数据集是可从互联网下载的公开多导睡眠图数据集，第二个数据集是我们自己的多导睡眠图数据集（也可供下载）。对于第一个数据集，FCM与CNF的组合给出了最高的准确率（96.75%），且训练时间相对较短（0.33小时）。对于第二个数据集，DBN与CRF的组合给出了99.96%的准确率，但训练时间为1.02小时；而DBN与CNF的组合准确率略低（99.69%），但计算时间也更少（0.89小时）。
引用
@article{arxiv.1610.01935,
title = {Sequence-based Sleep Stage Classification using Conditional Neural Fields},
author = {Intan Nurma Yulita and Mohamad Ivan Fanany and Aniati Murni Arymurthy},
journal= {arXiv preprint arXiv:1610.01935},
year = {2016}
}
备注
14 pages. Submitted to Computational and Mathematical Methods in Medicine (Hindawi Publishin). Article ID 7163687