摘要
睡眠分期是医师评估患者睡眠质量和诊断睡眠障碍等相关疾病的关键步骤，目前主要依靠医师通过目视判读完成。然而，人工判读存在耗时长和对医师经验要求高等局限性。同时，由于对人体在睡眠期间大脑工作机制的认知水平有限，人工判读结果存在主观性。因此，研究具有高效、一致、客观的自动睡眠分期方法有着非常重要的研究价值。本文围绕自动睡眠分期的深度学习分类方法展开研究，主要开展的工作内容如下： (1)针对多对多模式下模型设计如何结合睡眠周期特点的问题，提出了一种基于窗口注意力机制的自动睡眠分期模型。其整体结构由四个模块组成：基于多分支卷积神经网络的特征提取模块、基于通道注意力的特征提炼模块、基于窗口注意力机制的时序捕获模块、线性分类器。为利用医师对于睡眠分期判读的经验知识，提出基于窗口注意力机制的时序捕获模块，使模型更加关注窗口限定范围内的特征通道。与此同时，为应对多对多模式下输出特征通道增多的情况，采用下采样和通道注意力实现在保留关键特征通道的同时丢弃其他重要性低的特征通道。根据在公开数据集上的实验结果表明，该方法实现了较好的睡眠分期效果。此外，通过对注意力矩阵的定性分析，证明所提出的方法扩大了窗口内外注意力分数的差距。 (2)针对如何利用无标签数据构建对输入信号的鲁棒特征表示，本课题提出了一种基于掩码学习的无监督自动睡眠分期方法。其预训练阶段的模型由三个部分组成：基于单层卷积层实现的特征提取网络、基于Transformer的编码器、由瓶颈层和解码器构成的解码网络。为提高解码网络的预测能力，采用瓶颈层将编码器宽度和解码器宽度解耦。同时，考虑到生理信号的非线性、非稳态特性，提出将迭代过程中特征提取网络所提取得到的特征作为预测目标，取代此前研究中采用原始输入作为预测目标。根据模型在采用线性探测评估模式下的实验结果，该方法的性能超越了以原始信号作为预测目标的方法。此外，在较大规模的数据集中，该方法的性能超越有监督基线模型，甚至还可以利用瓶颈层扩宽解码器来获得进一步提升。
NETL