摘要
睡眠是人类非常重要的一项生理过程，而对睡眠进行研究的重要依据就是睡眠分期。睡眠专家或医生通过手动的方式进行睡眠分期，不仅费时费力，而且分期结果容易受主观因素影响，因此自动睡眠分期模型研究具有极高的研究价值和临床应用价值。随着深度学习技术的广泛应用，基于有监督学习的睡眠分期方法研究也取得了较大的成果，但也普遍存在网络结构参数量庞大、计算复杂度大的问题，且预测结果缺乏有效合理的解释。此外，现有模型还存在对长序列样本间关联特征学习能力弱的情况。为此，本文主要工作及成果如下: （1）针对网络结构参数量庞大、计算复杂度大的问题，本文通过在用于序列特征学习的多头注意力模块中添加可学习的CLS向量，在输出中仅使用CLS向量对应的特征向量进行后续特征学习，大大减少了网络模型的参数量和计算复杂度，使得基于深度学习的自动睡眠分期模型可适用于便携睡眠监测系统和设备。 （2）针对深度学习模型预测结果可解释性差的问题，本文从可视化角度入手，通过注意力模块的输出，查看不同通道在同一时间范围内的重要性变化和单通道同一时间范围内不同片段的重要性变化。根据本模型输出的注意力值大小，使用不同的颜色来显示不同窗口的原始数据图像，可以清楚的观察到模型对原始数据的利用基本符合人类睡眠专家的认知。 （3）针对现有模型对长距离样本间关联特征学习能力弱的情况，本文提出了一种适用于长序列样本分类的睡眠分期方法。通过学习完整睡眠周期的序列样本之间依赖关系，以此提高网络模型的整体分类性能，并且在公共睡眠数据集Sleep-EDFx上对该模型进行5折交叉验证，取得85.0％的总体准确率。
NETL