摘要
睡眠作为人类生活中不可或缺的生理活动，其质量高低对人的身心健康有重要影响。睡眠分期是睡眠质量评估的基本方法，也是诊断睡眠相关疾病的重要参考。近几年，基于深度学习的自动睡眠分期算法研究取得了一定的成果，但神经网络的训练需要大量标签数据，并且睡眠信号的标注成本高，很难通过增加标签数量来提升网络性能。自监督学习方法可以从无标签数据中学习特征表示，进而提高下游任务的准确率。相对来说，无标签的睡眠信号是容易获取的。因此，本文基于自监督学习方法，对自动睡眠分期方法展开研究。 （1）针对神经网络对标签数据存在依赖性的问题，本文提出了一种基于对比学习的自动睡眠分期模型。在监督任务的基础上，引入对比式自监督学习范式作为辅助任务，构造了一个多任务学习架构，进行基于对比学习的自监督任务和监督任务的联合学习。对比学习分支的加入，能够从无标记的睡眠脑电信号中学习潜在的特征信息，降低了模型对标签数据的需求，提升了模型的性能。最终该模型在Sleep-EDF2013数据集获得了85.6%的整体精度，尤其在少标注样本情况下也能获得较好的性能。 （2）为了进一步提高睡眠模型的性能和对标签数据的鲁棒性，本文提出了一种基于多视图自监督学习的自动睡眠分期模型。首先构造了基于多视图特征的睡眠分期网络，在时域和时频域两个视图进行网络学习和特征提取，充分挖掘两个视图的互补特征，以提高睡眠分期模型的性能。并在此基础上，提出了一种多视图自监督学习方法，进行自监督预训练，使用多实例损失函数配合正负样本选择策略来帮助进行多视图的对比学习，在提升睡眠分期准确率的同时提高了网络对标注数据量的鲁棒性，仅使用10%的标签就能达到完全传统监督网络的性能。最终该模型在Sleep-EDF2013和Sleep-EDF2018数据集得到整体精度分别为86.4%和83.6%，验证了该多视图模型和自监督预训练方法的可行性和有效性。
NETL