基于双向LSTM卷积网络与注意力机制的自动睡眠分期模型
针对现阶段深度睡眠分期模型存在的梯度消失、对时序信息学习能力较弱等问题,提出一种基于双向长短时记忆卷积网络与注意力机制的自动睡眠分期模型.将少样本类别的睡眠脑电数据通过过采样方式进行数据增强后,利用带残差块的卷积神经网络学习数据特征表示,再通过带注意力层的双向长短时记忆网络挖掘深层时序信息,使用Softmax层实现睡眠分期的自动判别.实验使用Sleep-EDF数据集中19晚单通道脑电信号对模型进行交叉验证,取得了较高的分类准确率和宏平均F1值,优于对比方法.该方法能够有效缓解睡眠分期判别中少数类分类性能较低的问题,并提高了深度睡眠分期模型的整体分类性能.
睡眠分期、脑电图、卷积神经网络、残差网络、双向长短时记忆网络、注意力机制、类不平衡、过采样
17
TP391.4(计算技术、计算机技术)
国家自然科学基金;上海市自然科学基金
2022-06-21(万方平台首次上网日期,不代表论文的发表时间)
共8页
523-530