使用联合频率-时间和无监督特征进行睡眠阶段评分

摘要

如果失眠的患者知道自己有这种症状，想设法改变这种状况，那么检测症状程度就至关重要。近年来，提出了一些利用深度神经网络进行无监督特征提取的ASSR方法。在本文中，我们提出将这两个概念结合起来，同时使用时频特性和无监督特性。为了提高时间分辨率，将每个标准片段划分为5个子片段。此外，为了提高分类精度，我们使用了三个不同性质的分类器，然后使用集成方法作为最终分类器。仿真结果表明，该方法提高了传统ASSR方法的精度。

方法

采集到的原始数据(脑电图信号)通常是非常嘈杂的，在我们将这些数据交给后续的ASSR块之前，对这些数据进行打磨是非常必要的。
1.为了对数据进行清理，首先对脑电图信号进行50Hz的陷波滤波，以减少对电力线和电子设备的干扰。
2.由于脑电图信号的频率范围在0.3 ~ 32hz之间，加上相应的带通滤波器，消除了多余的频率。
3.下一步，将滤波后的脑电图信号的采样频率(上采样或下采样)转换为64hz。
4.为了提高时间分辨率，将包含30秒脑电图信号样本的标准epoch分段为5个6秒的子epoch。然后，在他们的附近有阶段变化的epoch被移走。虽然消除转换纪元可以减少训练数据的使用，但是由于训练数据的可信度较高，因此可以提高系统的分类能力。
时频特征：
1)相对光谱功率
2)熵
3)谐波参数
4)Hjorth参数
6)偏度和峰度
通过无监督的深度信念网络得到最终的特征的高级形式
训练DBN(确定网络的权重)有两个主要部分。首先，通过使用无监督的训练数据对网络的权值进行预训练。其次，通过无监督的反向传播对相同的权值进行微调。
此外，关于DBN的训练，最重要的问题之一是层的数量以及每一层的神经元数量。由于没有具体的方法来确定这些，在本文中，我们建议使用以下方法来获得一个合适的配置。首先，使用90%的训练数据，对各种dbn进行不同配置的训练。然后，在剩下的训练集上评估每个DBN的重构误差。重构误差最小的网络设置是我们选择的DBN配置。然后用整个训练集对选定的DBN进行训练，确定最终的权值。

表I显示了4种不同的配置和相应的MSREs。选择最好的一个(在表的最后一行)来提取15个非监督的特征。
故最终新的联合特征向量由29个特征组成。
为了提高分类精度，采用了集成方法。在该方法中，多数投票方案作为最终答案，当无法得到唯一答案时，将高斯过程分类器的结果作为最终答案。

结论

如表二所示，使用本文提出的方法，准确率达到89.47%
本文利用无监督和时频特征对睡眠阶段进行了分类。该方法利用了DBNs对数据非线性建模的强大能力，解决了传统的基于eeg的分类器存在的主要问题。此外，考虑到时间频率特性以及使用集成方法可以提高分类的置信度。结果表明，该方法仅使用单一的EEG通道(C3-A2)和有限的训练数据，即可完成睡眠分期任务，平均准确率为89.47%。

思考

深度信念网络的优势
增强学习的方法提高分类性能