摘要
睡眠分期是睡眠研究中的关键步骤。然而大多睡眠自动分期算法都在理想数据环境下进行，难以在小型睡眠诊所的孤立且非同分布数据集上达到满意的效果。为了在保证隐私安全前提下进行分布式睡眠自动分期，本文提出了一种基于全卷积神经网络的睡眠分期算法，随后提出了多环并行睡眠联邦训练结构Multi-Ring和睡眠联邦学习协议FedSleep，最后使用不同的非同分布睡眠数据集进行性能实验，验证其算法性能。 本文的创新和贡献主要在以下两个方面： (1)为了实现准确度高且适合联邦学习的睡眠自动分期算法，本文设计了一种基于全卷积神经网络的睡眠自动分期算法。网络对输入脑电信号先后进行下采样和上采样，再经过简单的识别网络来获得睡眠阶段识别结果。该算法简单的结构，较少的参数量为后续开发联邦学习算法打下坚实的基础。 (2)针对目前严峻的数据隐私安全问题和数据孤岛情境对深度学习的限制，我们设计了多环并行联邦训练结构Multi-Ring以及睡眠联邦学习协议FedSleep。Multi-Ring结构由环形和星形结构融合组成，可以提升联邦学习算法对非独立同分布数据集的训练效果；FedSleep协议使用了Multi-Ring结构训练，并且添加了用户信用机制和用户加入和退出的调配机制。 我们分别设计实验并测试了全卷积睡眠分期网络和联邦学习协议FedSleep的表现。为了验证全卷积神经网络睡眠分期算法的效果，我们选取Sleep-EDF数据集的单通道EEG信号来设计实验，最终获得了85.5%的准确率，从而验证了该方法的有效性。在进行FedSleep协议的性能测试时，我们采用Sleep-EDFx和SHHS数据集设计了三类实验。(1)在客户节点之间差距较小，但是客户节点内部数据存在差异时，FedSleep分别在五分类和四分类睡眠分期任务中获得了80.92%和90.17%的准确率，优于FedAvg算法训练和单独训练。(2)对于客户节点之间差距较大，但是客户节点内部数据差异较小的情况，我们分别设计了数据数量异构、年龄异构以及疾病异构的场景，在这些场景中，我们分别使用不均匀分布和均匀分布数据集进行测试，其中使用FedSleep算法训练的客户节点较单独训练的节点获得了6%~15%的准确率提升。(3)本文设计了用户的中途加入和退出训练以及用户失去响应的实验，从而验证了FedSleep的调配机制和用户激励机制的效果。
NETL