基于混合注意力时序网络的睡眠分期算法研究

A hybrid attention temporal sequential network for sleep stage classification

峥金 , ^1, ^2, ³ 克斌贾 , ^1, ^2, ^3, ^* and 野袁 ⁴

峥金

北京工业大学信息学部（北京 100124）, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, P.R.China 先进信息网络北京实验室（北京 100124）, Beijing Laboratory of Advanced Information Networks, Beijing 100124, P.R.China 北京工业大学计算智能与智能系统北京市重点实验室（北京 100124）, Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing University of Technology, Beijing 100124, P.R.China

Find articles by 峥金

克斌贾

Find articles by 克斌贾

野袁

北京工业大学信息学部（北京 100124）, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, P.R.China 北京工业大学信息学部（北京 100124）, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, P.R.China 先进信息网络北京实验室（北京 100124）, Beijing Laboratory of Advanced Information Networks, Beijing 100124, P.R.China 北京工业大学计算智能与智能系统北京市重点实验室（北京 100124）, Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing University of Technology, Beijing 100124, P.R.China 北京京东智能城市大数据研究院（北京 100190）, JD Intelligent Cities Research, Beijing 100190, P.R.China

Corresponding author.

克斌贾: nc.ude.tujb@jnibek

贾克斌，Email： nc.ude.tujb@jnibek

其中， equation M10 表示二维时频图。

从物理角度上讲，时频图每一列可视为一个时间点出现不同频率的能量值，反映信号在时间轴上的频率变化规律。由此，本文将每个通道的时频图在时间轴上拆分为多个列向量，生成频率信息时间序列，以某一通道时频图 equation M11 为例： equation M12 = { equation M13 ，···， equation M15 }。

1.3. 片段内时序网络

为提取 1.2 小节所述序列的时序表征，本文基于双向 GRU 设计了片段内时序网络 ^{[

21

]} ，如图 1 内③号虚线框所示（只展示 X _t 的提取过程，其余片段用③简化表示）。以 equation M16 对应的序列为例，将序列输入双向 GRU，计算过程如式（2）所示：

其中， equation M17 代表 GRU 隐层向量。由于各个列向量的频率信息量不同，本文采用时序注意力机制以融合出隐层向量序列的有效时序信息，计算过程如式（3）、式（4）所示：

其中， equation M18 代表 equation M19 的时序注意力表征， α _i 代表隐层向量 equation M20 对应的注意力权重， W _α 和 b _α 是可训练的网络参数。

人体各个部位的关联性使得 PSG 所有通道的时序注意力表征也具有相关性。因此，本文加入了通道注意力机制，进一步融合所有通道的时序注意力表征（计算方式与式（3）、式（4）相同），生成 X _t 对应的片段内表征 d _t 。

1.4. 片段间时序网络

要实现对 X _t 的睡眠标定，需同时考虑当前片段和前后若干片段的片段内表征。因此，本文基于双向 GRU 设计了片段间时序网络，提取片段内表征序列 D = { d ₁ ，···， d _t ，···， d _L }的时序上下文表征，如图 1 内④号虚线框所示，过程与式（2）相同。得到所有片段的 GRU 隐层向量 equation M23 后，再利用时序注意力机制融合除 H _t 之外的隐层向量（计算方式与式（3）、式（4）相同），生成上下文表征 H _context ^{[

22

]} 。随后，将其与当前时刻隐层向量 H _t 进一步融合，生成 X _t 对应的混合高维表征 Z _t ，计算方式如式（5）、式（6）所示：

其中， M 为序列数， L 为序列长度， y _t 为独热编码真实标签。

2. 实验与结果对比

2.1. 数据集

本文选取了 2 个公开睡眠数据集用于实验对比，均来源于高权威开源生物医学信号资源网站 PhysioNet（www.physionet.org），下面分别简述 2 个数据集的相关信息。

睡眠集-欧洲数据格式（sleep-european data format，Sleep-EDF）扩展睡眠数据集（sleep-EDF database expanded，Sleep-EDFx） ^{[

23

-

24

]} ：包含 197 个整夜 PSG，主要包括双通道脑电（electroencephalogram，EEG）信号和单通道眼电（electrooculogram，EOG）信号，采样率 100 Hz。数据集分为健康人的睡眠磁带数据（sleep cassette，SC）与轻度入睡障碍患者的睡眠遥感数据（sleep telemetry，ST），去除损坏数据记录与含有未标注数据记录后，最终选取 SC 部分 40 个整夜 PSG，ST 部分 15 个整夜 PSG。

圣文森特大学医院/都柏林大学睡眠呼吸暂停症数据集（St. Vincent’s University Hospital / University College Dublin sleep apnea database，UCD） ^{[

24

]} ：包含 25 个患者的整夜 PSG，主要包括双通道 EEG 信号、双通道 EOG 信号、单通道肌电（electromyogram，EMG）信号、单通道心电（electrocardiogram，ECG）信号等，采样率包括 128 Hz、64 Hz 等，去除含有未标注数据记录后，最终选取 20 个整夜 PSG。

2.2. 实现过程

本文所有实验基于计算机编程语言 Python 3.6.9（Python Software Foundation，美国）和深度学习框架 PyTorch 1.1.0（Facebook Inc.，美国）实现，采用英伟达显卡（GeForce RTX 2080，NVIDIA Corp.，美国）进行模型训练，优化器采用自适应矩估计算法（adaptive moment estimation，ADAM），学习率为 0.001，缺失率（dropout）为 0.5。实验采用 5 折交叉验证，其中 Sleep-EDFx SC 的训练、验证、测试比例为 8∶1∶1，Sleep-EDFx ST 和 UCD 的比例为 3∶1∶1。迭代次数为 50，训练集批量大小为 64。片段内与片段间 GRU 隐层单元维度分别为 128 和 256，网络层数为 2。STFT 窗函数为汉宁窗，窗长 1 s，重叠比例 0.5，序列长度为 5。

2.3. 评价指标

本文实验的评价指标包括准确率（accuracy，Acc）、F1 分数（marco F1-score，MF1）、受试者操作特性曲线下面积（area under of receiver operating characteristic curve，AUC-ROC）和查准率-查全率曲线下面积（area under of precision-recall curve，AUC-PR）。

2.4. 基线模型

本文的基线模型包括 6 种相关论文模型和 4 种本文模型变体，为了保证实验有效性与参考价值，所有基线均在本文实验环境下进行复现：

睡眠特征网络（SleepFeatureNet） ^{[

19

]} ：利用类似 GoogleNet 的网络模块提取单通道 EEG 信号的特征，进一步采用 GRU 提取片段内时序特征，实现睡眠分期。

多域混合神经网络（Multi-Domain-HybridNN） ^{[

17

]} ：将 EEG 信号分割为 30 段，利用 CNN 提取每段的时域和频域特征，再基于双向 LSTM 提取片段内时序特征，实现睡眠分期。

多层次神经网络（HierarchicalNN） ^{[

20

]} ：利用 3 种尺度的 CNN 提取信号片段内特征，再通过双向 LSTM 与注意力机制提取片段间时序特征，实现睡眠分期。

MC 睡眠网络（MC-SleepNet） ^{[

16

]} ：利用 CNN 提取片段内 EEG 信号和 EMG 信号局部特征，进而采用双向 LSTM 提取片段间时序特征，实现睡眠分期。

STFT-LSTM ^{[

15

]} ：对每个通道进行 STFT，利用 LSTM 提取拼接后时频图的时序特征，实现睡眠分期。

序列睡眠网络（SeqSleepNet） ^{[

21

]} ：对各个通道进行 STFT 并将时频图拼接，利用片段内双向 GRU 与注意力机制、片段间双向 GRU 先后提取片段内、片段间时序特征，实现睡眠分期。

STFT-CNN：利用 4 层卷积提取片段内多通道时频图特征，实现睡眠分期。

STFT-GRU注意力网络（STFT-GRU attention network，STFT-GRUatt）：本文模型删除片段内通道注意力机制与片段间特征提取操作。

片段内时序网络（intra-temporal network，Intra-TN）：本文模型删除片段间特征提取操作。

Intra-TN + 片段间 GRU（Intra-TN-Inter-GRU）：本文模型只删除片段间时序注意力机制。

2.5. 实验结果与分析

本文模型与 2.4 小节所述 10 种基线模型的实验对比结果如表 1 ～表 3 所示，其中 SleepFeatureNet 和 Multi-Domain-HybridNN 的 Acc 值等指标较低，这是因为二者只提取了 PSG 信号片段内特征。而 HierarchicalNN 和 MC-SleepNet 模型结果相对较好，因为二者的结构采用片段内 CNN+片段间 RNN，体现出片段间时序特征的重要性，但是 CNN 仍存在时序信息提取不充分的局限性。此外，STFT-LSTM 和 SeqSleepNet 基于 RNN 结构充分提取了时频图中的时序特征，对比文献[ 16 - 17 , 19 - 20 ]中提及的 4 种模型效果更优异，但仍忽略了通道相关性特征。HATSN 在 2.1 小节所述数据集上的混淆矩阵如图 2 所示，可以看出 REM、NREM2 等睡眠阶段的 Acc 指标较高，结合表中结果可得，本文模型采用的片段内双向 GRU 与时序注意力机制、通道注意力机制、片段间双向 GRU 与时序注意力机制，能够分别提取出关键的片段内时序信息、通道相关性信息和片段间时序上下文信息，从而取得相较于上述 6 种模型更好的实验结果。

表 1

The experimental results of Sleep-EDFx SC dataset

Sleep-EDFx SC 数据集实验结果

模型	Acc	AUC-ROC	AUC-PR	MF1
SleepFeatureNet	0.677 ± 0.080	0.900 ± 0.040	0.685 ± 0.078	0.591 ± 0.101
Multi-Domain-HybridNN	0.742 ± 0.070	0.911 ± 0.028	0.719 ± 0.067	0.665 ± 0.063
HierarchicalNN	0.726 ± 0.050	0.925 ± 0.013	0.747 ± 0.027	0.683 ± 0.039
MC-SleepNet	0.771 ± 0.057	0.925 ± 0.022	0.755 ± 0.048	0.708 ± 0.078
STFT-LSTM	0.791 ± 0.040	0.948 ± 0.017	0.798 ± 0.041	0.743 ± 0.037
SeqSleepNet	0.781 ± 0.048	0.945 ± 0.017	0.785 ± 0.049	0.729 ± 0.046
STFT-CNN	0.739 ± 0.050	0.905 ± 0.017	0.719 ± 0.036	0.683 ± 0.050
STFT-GRUatt	0.768 ± 0.055	0.931 ± 0.023	0.757 ± 0.042	0.704 ± 0.060
Intra-TN	0.782 ± 0.038	0.935 ± 0.021	0.777 ± 0.049	0.718 ± 0.044
Intra-TN-Inter-GRU	0.787 ± 0.031	0.940 ± 0.017	0.785 ± 0.034	0.730 ± 0.030
HATSN 0.801 ± 0.027 0.944 ± 0.017 0.798 ± 0.042 0.752 ± 0.031

Open in a separate window

表 3

The experimental results of UCD dataset

UCD 数据集实验结果

模型	Acc	AUC-ROC	AUC-PR	MF1
SleepFeatureNet	0.568 ± 0.033	0.843 ± 0.012	0.583 ± 0.048	0.515 ± 0.056
Multi-Domain-HybridNN	0.583 ± 0.053	0.848 ± 0.027	0.612 ± 0.041	0.540 ± 0.044
HierarchicalNN	0.591 ± 0.055	0.864 ± 0.040	0.654 ± 0.046	0.553 ± 0.038
MC-SleepNet	0.525 ± 0.046	0.799 ± 0.036	0.525 ± 0.044	0.489 ± 0.040
STFT-LSTM	0.630 ± 0.076	0.867 ± 0.033	0.655 ± 0.066	0.591 ± 0.072
SeqSleepNet	0.686 ± 0.060	0.921 ± 0.025	0.768 ± 0.040	0.678 ± 0.042
STFT-CNN	0.558 ± 0.078	0.851 ± 0.031	0.628 ± 0.067	0.539 ± 0.075
STFT-GRUatt	0.638 ± 0.075	0.895 ± 0.024	0.716 ± 0.032	0.613 ± 0.071
Intra-TN	0.676 ± 0.052	0.892 ± 0.017	0.709 ± 0.023	0.649 ± 0.024
Intra-TN-Inter-GRU	0.702 ± 0.046	0.908 ± 0.025	0.735 ± 0.036	0.689 ± 0.024
HATSN 0.717 ± 0.054 0.908 ± 0.021 0.749 ± 0.027 0.700 ± 0.036

Open in a separate window

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-38-2-241-2.jpg

Open in a separate window

图 2

Confusion matrices of HATSN

HATSN 混淆矩阵

表 2

The experimental results of Sleep-EDFx ST dataset

Sleep-EDFx ST 数据集实验结果

模型	Acc	AUC-ROC	AUC-PR	MF1
SleepFeatureNet	0.668 ± 0.087	0.893 ± 0.039	0.657 ± 0.075	0.564 ± 0.076
Multi-Domain-HybridNN	0.691 ± 0.068	0.908 ± 0.019	0.692 ± 0.043	0.597 ± 0.063
HierarchicalNN	0.714 ± 0.062	0.914 ± 0.016	0.724 ± 0.033	0.643 ± 0.058
MC-SleepNet	0.728 ± 0.068	0.918 ± 0.021	0.707 ± 0.057	0.639 ± 0.060
STFT-LSTM	0.786 ± 0.009	0.939 ± 0.012	0.782 ± 0.033	0.701 ± 0.058
SeqSleepNet	0.790 ± 0.011	0.950 ± 0.004	0.781 ± 0.036	0.719 ± 0.051
STFT-CNN	0.769 ± 0.021	0.932 ± 0.012	0.742 ± 0.039	0.685 ± 0.050
STFT-GRUatt	0.779 ± 0.020	0.951 ± 0.008	0.789 ± 0.014	0.686 ± 0.040
Intra-TN	0.785 ± 0.017	0.950 ± 0.005	0.785 ± 0.031	0.704 ± 0.038
Intra-TN-Inter-GRU	0.795 ± 0.020	0.946 ± 0.009	0.788 ± 0.030	0.717 ± 0.061
HATSN 0.801 ± 0.012 0.944 ± 0.003 0.783 ± 0.041 0.728 ± 0.042

Open in a separate window

从 4 种模型变体结果可看出，STFT-GRUatt 比 STFT-CNN 的 Acc 值指标更高，说明 GRU 在时频域提取的时序信息比 CNN 提取的局部图像信息更为有效。Intra-TN 比 STFT-GRUatt 实验效果更好，说明通道注意力机制能够有效提取出通道相关性特征。Intra-TN-Inter-GRU 进一步提升了睡眠分期效果，体现出片段间时序特征的重要性。而本文模型在加入片段间注意力机制之后，分类指标 Acc 值达到最高，分别为 0.801、0.801、0.717。

对比所有数据集的实验结果，由于 UCD 数据集采样频率更高，通道数更多，因此数据更为复杂。所以，本文模型在 UCD 数据集上的睡眠分期结果仅达到 0.717。此外，UCD 数据集采集于睡眠疾病患者，而 Sleep-EDFx SC 和 ST 数据集则采集于正常人和轻微入睡障碍患者，这反映出对睡眠疾病患者进行睡眠分期的难度更大。

2.6. 灵敏度分析

不同 STFT 窗函数（汉明窗、汉宁窗、布莱克曼窗）在本文使用数据集上的睡眠分期 Acc 值如表 4 所示，其中汉宁窗的 Acc 指标均高于其他窗函数，分别达到 0.788、0.790 和 0.708，说明利用汉宁窗进行 STFT 能够有效减弱非平稳 PSG 中的时域噪声干扰，提升模型性能。

表 4

The Acc of different STFT window functions

不同 STFT 窗函数 Acc

窗函数	Acc
窗函数	Sleep-EDFx SC	Sleep-EDFx ST	UCD
汉明窗	0.786 ± 0.006	0.779 ± 0.004	0.696 ± 0.009
0.788 ± 0.009 0.790 ± 0.008 0.708 ± 0.011
布莱克曼窗	0.781 ± 0.004	0.778 ± 0.005	0.699 ± 0.003

Open in a separate window

汉宁窗的 3 种窗长（1 s、2 s、3 s）实验对比情况如表 5 所示，当窗长为 1 s 时，在 SC 和 ST 数据集上的 Acc 指标能超过 0.800。这表明更短的窗长能提升时频图的时间分辨率，获得更细节的频率信息以改善睡眠分期结果。

表 5

The Acc for different length of hanning window

不同窗长（汉宁窗）Acc

窗长	Acc
窗长	Sleep-EDFx SC	Sleep-EDFx ST	UCD
0.801 ± 0.027 0.801 ± 0.012 0.717 ± 0.054
2 s	0.781 ± 0.029	0.784 ± 0.027	0.714 ± 0.055
3 s	0.782 ± 0.051	0.784 ± 0.021	0.693 ± 0.051

Open in a separate window

2.7. 结果可视化

本文选取了 Sleep-EDFx SC 数据集中某一个 REM 期间的 PSG 片段进行可视化，3 个通道时域信号、时频图和对应的片段内时序注意力权重如图 3 所示。从时域信号可看出，最后 5 s 内，2 个 EEG 信号通道出现小幅波动，EOG 信号通道出现较大波动，说明出现快速眼球运动。由时频图可得，EEG 信号的频谱能量主要体现在 θ 波（3～7 Hz）和 α 波（1～2 Hz），EOG 信号的快速眼动波动也在对应时刻体现出较高能量值。由权重图可以看出，本文模型有效增强了高频时刻的权重，表明 EEG（Pz-Oz）信号和 EOG 信号通道信息更丰富。结合如图 3 底部所示的通道权重可得，上述 2 个通道被赋予更高的权重，证明了本文模型特征提取的有效性。

An external file that holds a picture, illustration, etc. Object name is swyxgcxzz-38-2-241-3.jpg

Open in a separate window

图 3

Visualization of PSG in time domain, spectrums and attention weights

时域 PSG、时频图与注意力权重可视化

3. 总结

睡眠分期是研究睡眠疾病的前提，医生可利用分期结果有效分析睡眠规律。本文针对自动睡眠分期问题提出了 HATSN 模型，利用 GRU 与注意力机制替代传统 CNN 来提取片段内时序信息，考虑了前人忽略的通道间相关性信息，再结合片段间上下文时序信息实现端到端的睡眠分期。本文模型在公开睡眠数据集上对比了 10 种基线模型，均取得最高的睡眠分期 Acc，分别达到 0.801、0.801、0.717。未来的研究方向可以从时间角度继续展开，由于在人工睡眠分期过程中，医生需要考虑前后较少数量或较多数量的片段信息，而目前大多数模型只能提取单一尺度序列信息。因此，同时考虑多尺度序列信息以提取出更丰富的片段间上下文时序特征，是提升模型泛化性、改善睡眠分期准确率的关键。

利益冲突声明：本文全体作者均声明不存在利益冲突。

Funding Statement

国家自然科学基金面上项目（61672064）；国家重点研发计划课题（2018YFF01010100）

Funding Statement

National Natural Science Foundation of China; National Key R&D Program of China

References

1. Phan H, Andreotti F, Cooray N, et al Joint classification and prediction CNN framework for automatic sleep stage classification. IEEE Trans Biomed Eng. 2019; 66 (5):1285–1296. doi: 10.1109/TBME.2018.2872652. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

2. Iber C, Ancoli-Israel S, Chesson A L, et al The AASM manual for the scoring of sleep and associated events: rules, terminology and technical specifications. Westchester, IL: American academy of sleep medicine. 2007 [ Google Scholar ]

3. Zhang J, Yao R, Ge W, et al Orthogonal convolutional neural networks for automatic sleep stage classification based on single-channel EEG. Comput Methods Programs Biomed. 2020; 183 :105089. doi: 10.1016/j.cmpb.2019.105089. [ PubMed ] [ CrossRef ] [ Google Scholar ]

4. Liu G R, Lo Y L, Malik J, et al Diffuse to fuse EEG spectra-intrinsic geometry of sleep dynamics for classification. Biomed Signal Process Control. 2020; 55 :101576. doi: 10.1016/j.bspc.2019.101576. [ CrossRef ] [ Google Scholar ]

5. Gopan K G, Prabhu S S, Sinha N Sleep EEG analysis utilizing inter-channel covariance matrices. Biocybern Biomed Eng. 2020; 40 (1):527–545. doi: 10.1016/j.bbe.2020.01.013. [ CrossRef ] [ Google Scholar ]

6. Huang W, Guo B, Shen Y, et al Sleep staging algorithm based on multichannel data adding and multifeature screening. Comput Methods Programs Biomed. 2020; 187 :105253. doi: 10.1016/j.cmpb.2019.105253. [ PubMed ] [ CrossRef ] [ Google Scholar ]

7. Yildirim O, Baloglu U B, Acharya U R A deep learning model for automated sleep stages classification using PSG signals. Int J Environ Res Public Health. 2019; 16 (4):599. doi: 10.3390/ijerph16040599. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

8. Kanwal S, Uzair M, Ullah H, et al. An image based prediction model for sleep stage identification//2019 IEEE International Conference on Image Processing (ICIP), Taipei: IEEE, 2019: 1366-1370.

9. Wang J, Zhang Y, Ma Q, et al. Deep learning for single-channel EEG signals sleep stage scoring based on frequency domain representation//8th International Conference on Health Information Science (HIS), Xi'an: Springer, Cham, 2019(11837): 121-133.

10. Perslev M, Jensen M H, Darkner S, et al. U-time: a fully convolutional network for time series segmentation applied to sleep staging//33rd Conference on Neural Information Processing Systems (NeurIPS), Vancouver: NIPS, 2019(32): 4415-4426.

11. Wang Yutong, Wang Yikun, Yao Li, et al. Single Channel sleep staging based on unsupervised feature learning//2019 Tenth International Conference on Intelligent Control and Information Processing (ICICIP), Marrakesh: IEEE, 2019: 180-183.

12. Wei Yuhui, Qi Xia, Wang H, et al A multi-class automatic sleep staging method based on long short-term memory network using single-lead electrocardiogram signals. IEEE Access. 2019; 7 :85959–85970. doi: 10.1109/ACCESS.2019.2924980. [ CrossRef ] [ Google Scholar ]

13. Kuo C E, Chen G T, Lin N Y. Automatic sleep staging using deep long short-term memory: validation in large-scale datasets//3rd International Conference on Computational Biology and Bioinformatics (ICCBB), Nagoya: ACM, 2019: 58-64.

14. Michielli N, Acharya U R, Molinari F Cascaded LSTM recurrent neural network for automated sleep stage classification using single-channel EEG signals. Comput Biol Med. 2019; 106 :71–81. doi: 10.1016/j.compbiomed.2019.01.013. [ PubMed ] [ CrossRef ] [ Google Scholar ]

15. Xu Z, Yang X, Sun J, et al Sleep stage classification using time-frequency spectra from consecutive multi-time points. Front Neurosci. 2020; 14 :14. doi: 10.3389/fnins.2020.00014. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

16. Yamabe M, Horie K, Shiokawa H, et al MC-SleepNet: large-scale sleep stage scoring in mice by deep neural networks. Sci Rep. 2019; 9 (1):15793. doi: 10.1038/s41598-019-51269-8. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

17. Jeon Y, Kim S, Choi H S, et al Pediatric sleep stage classification using multi-domain hybrid neural networks. IEEE Access. 2019; 7 :96495–96505. doi: 10.1109/ACCESS.2019.2928129. [ CrossRef ] [ Google Scholar ]

18. Niroshana S M I, Zhu Xin, Chen Ying, et al. Sleep stage classification based on EEG, EOG, and CNN-GRU deep learning model//2019 IEEE 10th International Conference on Awareness Science and Technology (iCAST), Morioka: IEEE, 2019. DOI: 10.1109/ICAwST.2019.8923359.

19. Chen K, Zhang C, Ma J, et al Sleep staging from single-channel EEG with multi-scale feature and contextual information. Sleep Breath. 2019; 23 (4):1159–1167. doi: 10.1007/s11325-019-01789-4. [ PubMed ] [ CrossRef ] [ Google Scholar ]

20. Sun C, Chen C, Li W, et al A hierarchical neural network for sleep stage classification based on comprehensive feature learning and multi-flow sequence learning. IEEE J Biomed Health Inform. 2020; 24 (5):1351–1366. doi: 10.1109/JBHI.2019.2937558. [ PubMed ] [ CrossRef ] [ Google Scholar ]

21. Phan H, Andreotti F, Cooray N, et al SeqSleepNet: end-to-end hierarchical recurrent neural network for sequence-to-sequence automatic sleep staging. IEEE Trans Neural Syst Rehabil Eng. 2019; 27 (3):400–410. doi: 10.1109/TNSRE.2019.2896659. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]

22. Yuan Y, Jia K, Ma F, et al A hybrid self-attention deep learning framework for multivariate sleep stage classification. BMC Bioinformatics. 2019; 20 (16):586. [ PMC free article ] [ PubMed ] [ Google Scholar ]

23. Kemp B, Zwinderman A H, Tuk B, et al Analysis of a sleep-dependent neuronal feedback loop: the slow-wave microcontinuity of the EEG. IEEE Trans Biomed Eng. 2000; 47 (9):1185–1194. doi: 10.1109/10.867928. [ PubMed ] [ CrossRef ] [ Google Scholar ]

24. Goldberger A L, Amaral L A, Glass L, et al PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation. 2000; 101 (23):E215–E220. [ PubMed ] [ Google Scholar ]

Articles from Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering are provided here courtesy of West China Hospital of Sichuan University

基于混合注意力时序网络的睡眠分期算法研究

A hybrid attention temporal sequential network for sleep stage classification

峥 金

克斌 贾

野 袁

1.3. 片段内时序网络

1.4. 片段间时序网络

2. 实验与结果对比

2.1. 数据集

2.2. 实现过程

2.3. 评价指标

2.4. 基线模型

2.5. 实验结果与分析

表 1

表 3

表 2

2.6. 灵敏度分析

表 4

表 5

2.7. 结果可视化

3. 总结

Funding Statement

Funding Statement

References

峥金

克斌贾

野袁