基于单通道上下文编码的轻量化睡眠分期模型

利用多模态信号中不同信号之间的频率关系来处理睡眠分期任务已成为当今的主流。然而,多模态信号采集的难度限制了睡眠分期任务的进一步发展。此外,数据集分类不均衡,参数量级大也是限制睡眠分期任务发展的重要原因。针对上述问题,提出了一种基于单通道脑电图(Electroencephalogram, EEG)数据的全卷积网络模型。通过U型结构和特征融合模块学习EEG信号的波形信息,利用并行的多尺度时间特征代替循环网络提取时间序列信息,使用瓶颈结构减少参数量,使用焦变函数降低数据类别间分布不均对分类精度的影响。在公共数据集Sleep-EDF上的实验结果表明,所提模型对单通道EEG数据实现了87.5%的分类准确率,缓解了数据集不平衡问题。值得一提的是,所提模型的参数数量仅为Deepsleep网络的2.86%。