SleepEGAN:一种用于睡眠阶段不平衡分类的 GAN 增强集成深度学习模型
信号处理
2023-07-12 v1 机器学习
摘要
深度神经网络因其强大的表示与模型内特征变换能力,在自动睡眠阶段分类中发挥了重要作用。然而,睡眠数据原始 EEG 信号中普遍存在的类不平衡与个体异质性,会显著影响任何机器学习算法的分类性能。为解决这两个问题,本文开发了一种生成对抗网络(GAN)驱动的集成深度学习模型,称为 SleepEGAN,用于睡眠阶段的不平衡分类。为缓解类不平衡,我们提出了一种适配 EEG 信号特征用于数据增强的新型 GAN(称为 EGAN)架构。为少数类生成的样本被用于训练过程。此外,我们设计了一种无代价的集成学习策略,以降低由验证集与测试集间异质性引起的模型估计方差,从而增强预测性能的准确性与鲁棒性。我们表明,使用三个公开睡眠数据集,相较于几种现有最先进方法,所提方法能提升分类准确率。
引用
@article{arxiv.2307.05362,
title = {SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages},
author = {Xuewei Cheng and Ke Huang and Yi Zou and Shujie Ma},
journal= {arXiv preprint arXiv:2307.05362},
year = {2023}
}
备注
20 pages, 6 figures