Learning Sleep Stages from Radio Signals:A Conditional Adversarial Architecture

Learning Sleep Stages from Radio Signals:A Conditional Adversarial Architecture：我们专注于通过无线电测量来预测睡眠阶段，而不需要在受试者身上附加任何传感器。我们引入了一种新的预测模型，结合卷积和循环神经网络从RF信号中提取睡眠特定的主观不变特征，并捕获睡眠的时间进展。我们方法的一个关键创新是改进的对抗训练机制，它丢弃了特定于个体或测量条件的无关信息，同时保留了与预测任务相关的所有信息。我们分析了我们的博弈论设置，并通过经验证明，我们的模型比最先进的解决方案取得了显著的改进
本文提出了一种新的模型，该模型具有更高的精度，并能很好地推广到新的环境和主题。该模型采用卷积神经网络(CNN)从射频频谱图中提取特定阶段的特征，并与递归神经网络(RNN)耦合，以捕获睡眠阶段的时间动态。
然而，单独的CNN-RNN组合仍然容易分散与特定个体或测量条件(例如，源域)相关的特征，因此不能很好地泛化。为了解决这个问题，我们引入了一种新的对抗训练制度，抛弃特定于个体或测量条件的无关信息，同时保留与预测任务相关的所有信息——即。时，对手确保了学习表示和源域之间的条件独立性。
让x∈Ωx是一个输入样本,和y∈{1,2,…， ny}输出标签。设s∈{1,2，…， ns}表示一个辅助标签，它指的是特定输入样本的来源。我们定义x = [x1, x2，…, xt)∈Ωx的序列输入样本时间到当前时间t的开始。在我们的应用程序的上下文中,上面的符号转化为以下:输入样本x是一个30秒的射频声谱图,和输出标签y是一个睡眠阶段,4个值之一:醒了,光睡觉,深度睡眠,或快速眼动。向量x是指射频谱图的顺序从晚上开始到当前时间。由于射频信号携带关于主体和测量环境的信息，我们给每个输入x分配一个辅助标签，它标识受试者-环境对，以下称为源。

我们的模型如图(a)所示。它有三个组件:一个编码器E, 标签预测器F,和一个源鉴别器d。模型设置为一个游戏,其中表示编码器扮演一个合作博弈的标签预测允许它来预测正确的标签使用编码表示。编码器也会对源判别函数进行极大极小博弈
编码器E:编码器E(·):Ωx→Ωz是一个函数,它接受一个输入样本序列x,并返回一个向量的摘要 z = E (x)。标签预测器的损失F，给定编码器E，定义为标签分布Py(·|x)和QF(·|E(x))之间的交叉熵:

在训练过程中，编码器E和预测器F进行合作博弈，以最小化标签预测损失。
源鉴别器D:我们定义一个源鉴别器D(··):Ωz×[0,1]纽约→[0,1]ns。它以潜在表示E(x)和标签分布Py(·|x)作为输入，并预测它们从哪个源域(即主题和环境)采样为QD(·|E(x)， Py(·|x))。
接下来，我们定义所需的表示不变性。
定义1(表示不变性)。如果E(x)除了Py(·|x)中已经包含的s之外，不包含s的信息，则表示E是不变的;即QD(·| E (x) Py(·| x)) = QD (| . Py(·| x))为最优D。
在训练过程中，编码器E和鉴别器D进行了极大极小博弈:训练D使源预测损失最小，训练编码器E使源预测损失最大，以达到上述不变性。