SleepNet：基于密集卷积神经网络利用生理时间序列的自动睡眠分析
机器学习
2019-07-25 v2 神经与进化计算
神经元与认知
机器学习
摘要
本工作中，我们构建了一个密集循环卷积神经网络（DRCNN），利用 2018 年 Physionet 挑战赛数据库中提供的多导睡眠图（PSG）测量通道来检测包括觉醒、呼吸暂停和低通气在内的睡眠障碍。我们的模型结构由多个密集卷积单元（DCU）组成，其后接一个双向长短期记忆（LSTM）层，再接一个 softmax 输出层。睡眠事件（包括睡眠阶段、觉醒区段和多类呼吸暂停与低通气）由专家手动标注，这使我们能够使用多任务学习机制训练所提出的网络。对应于睡眠/觉醒、目标觉醒和呼吸暂停—低通气/正常检测任务的三个二元交叉熵损失函数被求和以生成我们的整体网络损失函数，并使用 Adam 方法优化。我们的模型性能使用两个指标评估：精确率—召回率曲线下面积（AUPRC）和受试者工作特征曲线下面积（AUROC）。为衡量模型泛化能力，还进行了 4 折交叉验证。训练时，我们的模型应用于整夜记录数据。最终，在测试数据集上觉醒检测任务的平均 AUPRC 和 AUROC 值分别为 0.505 和 0.922。在不同数据折上训练的四个模型的集成将 AUPRC 和 AUROC 分别提升至 0.543 和 0.931。我们提出的算法在 2018 年 Physionet 挑战赛官方阶段的睡眠觉醒检测任务中取得第一名，在盲测试数据集上 AUPRC 为 0.54。
引用
@article{arxiv.1903.04377,
title = {SleepNet: Automated Sleep Analysis via Dense Convolutional Neural Network Using Physiological Time Series},
author = {Bahareh Pourbabaee and Matthew Howe-Patterson and Matthew Patterson and Frederic Benard},
journal= {arXiv preprint arXiv:1903.04377},
year = {2019}
}
备注
20 pages, 4 figures, Accepted to be published by Physiological Measurement Journal