论文笔记：GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classific

UQI-LIUWJ

已于 2022-09-04 16:03:11 修改

阅读量1.1k

点赞数 1

分类专栏：论文笔记

于 2022-09-04 15:56:42 首次发布

本文链接：https://blog.csdn.net/qq_40206371/article/details/126689243

版权

关键词由CSDN通过智能技术生成

277 篇文章 69 订阅

订阅专栏

2020 ijcai

1 abstract & introduction

这篇论文提出了GraphSleepNet，来进行睡眠阶段分类
- 自适应地学习不同脑电波EEG频道之间的连接关系（邻接矩阵）
- 使用STGCN+时空attention的方式进行睡眠阶段分类
之前的睡眠阶段分类方法
- 不同睡眠阶段之间有不同的转换规则
  - ——>这些规则对睡眠阶段分类提供了很有用的信息
  - ——>但是如果让睡眠研究领域专家根据这些规则进行分类的话/使用SVM、随机森林这样的传统机器学习模型，会很繁琐、同时很费时间
- 使用CNN+RNN可以比原来的的睡眠阶段分类效果要好
  - ——>但是脑区域不在非欧空间中，因而精度也有限
- 使用GCN可以更好地衡量脑中各个点之间的连接关系
  - ——>但是受限于人类对脑部的认知，暂时没有一个脑部合适的图结构
- ——>这篇论文自适应地学习图结构，同时利用STGCN+ST-attention来进行睡眠阶段分类
代码链接：jingwang2020/GraphSleepNet: GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification (github.com)

睡眠阶段分类任务所需的图：G=(V,E,A)
- V——节点集(|V|=E)
- E——边集
- A——邻接矩
原始信号序列
- L：sample数量（个人感觉上图每个30秒的N个时间序列就是一个sample）
- N：每个sample中channel数量
- Ts：每个sample中时间序列的长度
对每个sample si，论文选择了不同频段的微分熵（differential entropy）作为si的特征
- 所以每个sample的特征矩阵为： $X_i \in (x_1^i,x_2^i,\cdots,x_N^i)^T \in R^{N\times F_{de}}$
- 其中 $x_n^i \in R^{F_{de}}$ 表示点n在第i个sample中的 $F_{de}$ 个特征
睡眠阶段分类任务的定义如下：
- 给定 $X=(X_{i-d},\cdots,X_i,\cdots,X_{i+d}) \in R^{N \times F_{de} \times (2d+1)}$ ，求出当前时刻i对应的睡眠阶段
- 这里的d是一个参数，衡量了可以看到的时间信息的多少

这里使用了ChebNet的思路，通过K-1阶切比雪夫多项式来作为谱图卷积的卷积核

第l层的输入
- $C_{l-1}$ ——>每个点的channel数量（比如l=1时， $C_0=F_{de}$ ）
- $T_{l-1}$ ——>第l层的时间维度（比如l=1时， $T_0=2d+1$
对每个，论文使用Cl个filter，来获得谱图卷积后的计算结果
- 其中 $\theta=(\theta_1,\theta_2,\cdots,\theta_{Cl})\in R^{K\times C_{l-1} \times C_l}$
空间图卷积的结果： $\in R^{N \times C_{l} \times T_{l-1}}$

使用二维CNN（Φ——卷积核参数）

调整输入（左乘空间注意力矩阵、右乘时间注意力矩阵）

以下都是可训练参数：

以下都是可训练参数：

关注