基于CNN-BiGRU和多头自注意力机制的自动睡眠分期方法

摘要

针对睡眠脑电数据存在类别不平衡以及深层网络在提取更多特征时可能出现的梯度消失或爆炸现象问题。本文首先通过改进的自适应合成采样技术对少样本类别的睡眠脑电数据进行数据增强。然后，利用卷积神经网络和残差网络学习数据特征，并通过三层双向门控循环网络挖掘深层时序信息，确定各睡眠阶段之间的相关性，实现自动特征学习和睡眠周期提取。最后，采用多头自注意力机制增强模型对序列中重要部分的关注，完成各睡眠阶段的分类。实验结果表明，根据AASM睡眠分期标准，在经过数据类平衡处理后，基于CNN-BiGRU和Multi-head Self Attention自动睡眠分期模型在Sleep-EDF-20数据集上的总准确率和Kappa系数分别达到了90.77%和0.88,N1期的精确率达到了87.1%；在Sleep-EDFx数据集上MF1为0.84,N1期的精确率也达到了77.2%，总体较CNN-BiGRU自动睡眠分期模型在原始数据集上的性能有所提升，与其他相关研究相比，睡眠阶段分类精度显著提升。验证了本文方法的有效性和泛化能力。

关键词

睡眠分期 / 类平衡 / 残差网络 / 双向门控循环网络