论文部分内容阅读
针对现阶段可用的睡眠脑电数据皆为类不平衡小数据集,深度学习模型的直接迁移应用所取得的分期效果较差的问题,分别从数据集重构和模型训练优化两方面入手,提出一种可用于少量类不均衡原始睡眠脑电数据集的深度端到端自动睡眠分期模型。以下为本文的主要研究内容和成果:(1)构建了深度端到端自动睡眠分期模型。使用Sleep-EDF数据库Fpz-Cz通道的原始睡眠脑电数据集对模型进行15折交叉验证实验,得到总体精度和宏平均F1值分别为86.73%和81.70%。并通过与近年使用相同实验数据集的高水平分类模型的比较,验证了所提出的端到端自动睡眠分期模型的先进性。(2)在改进生成少数类过采样技术(MSMOTE)的基础上从减少决策域的角度出发,只对少数类中的安全类进行扩增,并对数据生成的方法进行改进,提出同维度变换生成少数类过采样技术(DMSMOTE)。实验表明,DMSMOTE在本文模型中的应用效果优于MSMOTE。(3)以减少类原始数据集中类不均衡对少数类分类的负面影响为出发点。考虑到DMSMOTE重构后生成的类平衡数据集中会含有不属于任何分类的数据;用DMSMOTE重构后的类平衡数据集对模型作预激活处理,原始脑电数据集用于模型的微调。实验表明,采用DMSMOTE重构后生成的类平衡数据集对模型作预激活,可使最小类的分类F1值由45.16%增至53.64%。研究结果显示:模型可实现对少量原始睡眠脑电数据的端到端学习,总体分类效果优于近年高水平模型;鉴于其端到端特性,相对于传统基于特征工程的机器学习模型,所提模型更适用于配备远程服务器的分体式个性化睡眠监测设备。