目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(...目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(attention-based deep learning approach for sleep stage classification)模型,设计实现了一种基于类感知损失函数(class-aware loss function)的单通道脑电睡眠分期方法。方法实验数据来自NeurIPS 2021 BEETL Competition任务一官方所提供的跨对象数据集,首先对脑电数据进行标准化预处理,然后使用本文设计的方法进行睡眠分期,并对其结果进行检验。结果在数据集提供的2个不同年龄组别中,本文方法分别达到了67.33和66.68的任务指标,同时也验证了类感知损失函数的作用。结论使用基于类感知损失函数的单通道AttnSleep模型有助于在目标数据不足的情况下提升跨对象脑电睡眠分期的效果。文中所用的实验方法代码将发布于https://github.com/MatrixWP/EEG-sleep-stage-classification。展开更多
文摘目的跨对象脑电睡眠分期是国际顶级会议NeurIPS 2021最新提出的一项挑战性任务,目的是解决当前脑电睡眠分期中主要存在的目标数据不足问题。本文基于深度学习方法对该任务进行了初步探索,通过对数据集的深入分析,结合深度学习AttnSleep(attention-based deep learning approach for sleep stage classification)模型,设计实现了一种基于类感知损失函数(class-aware loss function)的单通道脑电睡眠分期方法。方法实验数据来自NeurIPS 2021 BEETL Competition任务一官方所提供的跨对象数据集,首先对脑电数据进行标准化预处理,然后使用本文设计的方法进行睡眠分期,并对其结果进行检验。结果在数据集提供的2个不同年龄组别中,本文方法分别达到了67.33和66.68的任务指标,同时也验证了类感知损失函数的作用。结论使用基于类感知损失函数的单通道AttnSleep模型有助于在目标数据不足的情况下提升跨对象脑电睡眠分期的效果。文中所用的实验方法代码将发布于https://github.com/MatrixWP/EEG-sleep-stage-classification。
