U-Time：一种用于时间序列分割的全卷积网络及其在睡眠分期中的应用
机器学习
2019-10-25 v1 信号处理
机器学习
摘要
神经网络在生理时间序列分析中愈发流行。该领域最成功的深度学习系统结合卷积层与循环层以提取有用特征并建模时间关系。遗憾的是，这些循环模型难以调优与优化。据我们的经验，它们常需任务特定的修改，使非专家难以使用。我们提出U-Time，一种用于生理时间序列分割的全前馈深度学习方法，专为睡眠数据分析而开发。U-Time是基于U-Net架构的时间全卷积网络，该架构最初为图像分割提出。U-Time将任意长度的序列输入映射到自由选定时间尺度上的类别标签序列。这是通过隐式分类输入信号的每个单独时间点，并在固定区间内聚合这些分类以形成最终预测来实现的。我们在大量睡眠脑电图（EEG）数据集上评估了U-Time的睡眠分期性能。所有情况下，U-Time均达到或超越当前最先进（state-of-the-art）深度学习模型，同时在训练过程中更为鲁棒，且无需跨任务调整架构或超参数。
引用
@article{arxiv.1910.11162,
title = {U-Time: A Fully Convolutional Network for Time Series Segmentation Applied to Sleep Staging},
author = {Mathias Perslev and Michael Hejselbak Jensen and Sune Darkner and Poul Jørgen Jennum and Christian Igel},
journal= {arXiv preprint arXiv:1910.11162},
year = {2019}
}
备注
To appear in Advances in Neural Information Processing Systems (NeurIPS), 2019