DeepSleepNet: 基于原始单通道EEG的自动睡眠分期模型

神经病学 计算机科学 医学检验 信息科学 人工智能 医学
睡眠分期 深度学习 单通道EEG 卷积神经网络 双向长短时记忆 特征提取 自动化

深度睡眠网络：基于单通道EEG的自动睡眠阶段评分模型

背景介绍

睡眠对于人体健康具有重要影响，监测人们的睡眠质量在医学研究和实践中至关重要。通常，睡眠专家通过分析多种生理信号（如脑电图 (EEG)、眼动电图 (EOG)、肌电图 (EMG) 和心电图 (ECG)）进行睡眠阶段评分。这些信号被称为多导睡眠图 (Polysomnogram, PSG)，经分类后用于确定个体的睡眠状态。然而，这种手动方法耗时且费力，需要专家持续数夜对多个传感器进行记录并分析。

基于多信号（如EEG、EOG和EMG）或单信号EEG的自动睡眠阶段评分方法已得到广泛研究。然而，大多数现有方法依赖于手工特征提取，这通常根据数据集的特性进行设计，无法推广到具有异质性的更大人群中。此外，较少方法考虑了用于识别睡眠阶段转换规则的时间信息。近来，深度学习在自动睡眠阶段评分中的应用得到了验证，但往往忽略了睡眠专家在评分时使用的时间信息，从而导致性能的局限。

来源介绍

本文名为《DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG》，由Akara Supratak、Hao Dong、Chao Wu和Yike Guo撰写，发表在2017年11月的《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上。这篇研究由来自英国伦敦帝国理工学院计算机系的研究团队完成。

DeepSleepNet研究详述

研究流程

DeepSleepNet模型由两部分组成：特征学习与序列残差学习。

特征学习阶段

  1. 使用两种不同滤波器尺寸的卷积神经网络 (CNN) 提取时间不变特征：
    • 小滤波器更适合捕捉EEG模式出现的时间信息，大滤波器适于捕捉频率信息。
    • 每个CNN由四层卷积层和两层最大池化层组成，进行一维卷积、批量归一化和ReLU激活。
   h_s_i = CNN_θ_s(x_i)
   h_l_i = CNN_θ_l(x_i)
   a_i = h_s_i || h_l_i

其中，CNN_θ(x_i)表示将30秒EEG段转换为特征向量的函数，输出合并后传递给序列残差学习部分。

序列残差学习阶段

  1. 利用双向长短期记忆网络 (Bi-LSTM) 学习时间信息：
    • 两层Bi-LSTM： 学习睡眠阶段的转换规则，如AASM手册中的阶段规则。
    • Shortcut连接： 重新计算残差函数，使模型能够将从CNN获得的特征与从输入序列中学到的时间信息结合起来。
   h^f_t, c^f_t = LSTM_θ_f(h^f_t-1, c^f_t-1, a_t)
   h^b_t, c^b_t = LSTM_θ_b(h^b_t+1, c^b_t+1, a_t)
   o_t = h^f_t || h^b_t + FC_θ(a_t)
  1. 模型参数设定：
    • CNN和LSTM的参数设定根据捕捉EEG的时间和频率信息进行，使用了小过滤器限住长时依存关系，大过滤器捕捉高频特征。
    • Dropout和L2权重衰减等正则化技术防止过拟合问题。

训练算法

为了有效训练模型，提出了两步训练算法： 1. 预训练： 使用均衡类训练集对特征学习部分进行预训练以防止过拟合。 2. 微调： 用顺序训练集对整个模型进行微调，以编码时间信息并调整预训练的CNN参数。

Algorithm 1: Two-step Training
1. Pre-training step
   - Oversample data
   - Train CNNs with balanced data
2. Fine-tuning step
   - Replace pre-trained CNNs
   - Train entire model with sequential data

实验与结果

  1. 数据集：

    • MASS数据集： 包括62名健康受试者的PSG记录，手动标注为五个睡眠阶段 (W, N1, N2, N3, REM)。
    • Sleep-EDF数据集： 包括20名受试者，PSG记录手工分类为R&K标准中的八个类别，合并N3和N4阶段，符合AASM标准。

  2. 性能指标：

    • 使用k折交叉验证评估模型性能，包括准确率 (Acc)、宏F1评分 (mF1)、Cohen’s κ系数等。

  3. 结果分析：

    • DeepSleepNet在不同单通道EEG数据集上实现了与最先进手工特征提取方法相似的整体准确率和宏F1评分。
    • 双向LSTM学习的时间信息显著提高了分类性能，验证了序列残差学习的有效性。

  4. 与现有方法对比：

    • 在两个数据集 (MASS和Sleep-EDF) 上，DeepSleepNet的性能指标均优于或相当于现有的手工特征提取与单通道EEG上的深度学习方法。

研究意义和价值

DeepSleepNet模型通过结合CNN和Bi-LSTM网络，首次实现了无需手工特征提取，直接从原始单通道EEG数据中自动学习用于睡眠阶段评分的特征。模型能够适应不同数据集的采样率和评分标准，展现了卓越的泛化性能。研究结果表明，DeepSleepNet能够为远程睡眠监测提供更有效的方法，除去对专家手工标注的依赖，提升自动化程度和准确性。

亮点与创新性

  1. 创新性模型架构： 结合CNN和Bi-LSTM，实现时间不变特征提取和时间信息学习。
  2. 有效训练算法： 两步训练方法有效克服大数据集中类不平衡问题
  3. 优越的泛化能力： 在不同数据集和不同信道上表现出一致的高性能

总结和未来工作

DeepSleepNet模型展示了一种新的基于深度学习的自动睡眠阶段评分方法，无需手工提取特征，适用于单通道EEG数据。未来计划将其应用于从可穿戴设备收集的单通道EEG数据，以实现在家环境或临床中的远程睡眠监测评估。