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
- 不同睡眠阶段之间有不同的转换规则
- 代码链接:jingwang2020/GraphSleepNet: GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification (github.com)
2 preliminary
- 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:
- 其中
表示点n在第i个sample中的
个特征
- 所以每个sample的特征矩阵为:
- 睡眠阶段分类任务的定义如下:
- 给定
,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
- 给定
3 GraphSleepNet
3.1 自适应邻接矩阵
- 这定义了一个非负函数
,来衡量两个点
之间的连接关系
- 其中
是
中两个
维的向量
-
这里
是需要学习的一组参数,通过最小化
求得
-
-
(2)式的意思是
-
①
距离越远,
越小
-
②脑连接结构并不是一个全连接/复杂结构,所以通过第二项正则项控制连边的数量
-
-
-
为了避免学到
,这里是将
和分类误差联立,进行优化
-
- 其中
3.2 时空图卷积
3.2.1 空间图卷积
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
GCN笔记:Graph Convolution Neural Network,ChebNet_UQI-LIUWJ的博客-CSDN博客
- 第l层的输入
——>每个点的channel数量 (比如l=1时,
)
——>第l层的时间维度(比如l=1时,
- 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
- 其中
- 空间图卷积的结果:
3.2.2 时间卷积
使用二维CNN(Φ——卷积核参数)
3.3 时空注意力
调整输入(左乘空间注意力矩阵、右乘时间注意力矩阵)
3.3.1 空间注意力
以下都是可训练参数:
3.3.2 时间注意力
以下都是可训练参数: