關(guān)鍵詞：腦電信號(hào)；睡眠分期；空洞卷積；類別失衡；焦變函數(shù)

0引言

睡眠占據(jù)了人一生的1/3，現(xiàn)代生活中的睡眠質(zhì)量在一定程度上反映了人體的健康狀況，研究發(fā)現(xiàn)，睡眠階段之間的轉(zhuǎn)換遵循一定的規(guī)律。當(dāng)人處于睡眠狀態(tài)時(shí)，一些清醒時(shí)不易察覺的腦部疾病可以通過睡眠階段轉(zhuǎn)換的方式觀察得到。通過對(duì)睡眠腦電信號(hào)的處理和分析，了解睡眠過程中各睡眠階段之間轉(zhuǎn)換的周期性，對(duì)于更客觀、準(zhǔn)確地評(píng)估睡眠狀態(tài)、有效控制疾病具有重要意義。

多導(dǎo)睡眠圖（Polysomnography，PSG）記錄來自身體各個(gè)部位的電信號(hào)，包括腦電圖（Electroen-cephalogram，EEG）、肌電圖（Electromyography，EMG）、眼電圖（Electrooculogram，EOG）和心電圖（Electrocardiogram，ECG）。在以往的研究中，通常將30s的PSG信號(hào)劃分為一個(gè)片段，由睡眠專家根據(jù)睡眠分期標(biāo)準(zhǔn)將該片段進(jìn)行階段標(biāo)定。對(duì)于一晚上的數(shù)據(jù)，往往需要2～3名醫(yī)生花費(fèi)數(shù)小時(shí)進(jìn)行分類，且分類準(zhǔn)確率僅為83%。另外，PSG監(jiān)測(cè)設(shè)備體積大，測(cè)量參數(shù)多，導(dǎo)聯(lián)方法復(fù)雜。在監(jiān)測(cè)期間患者受到很大影響。會(huì)感應(yīng)出多種干擾信號(hào)，監(jiān)控周期長(zhǎng)且一次只能監(jiān)控一個(gè)對(duì)象，監(jiān)控效率低。

事實(shí)上，現(xiàn)在大多數(shù)的研究都是基于PSG信號(hào)，通過提取時(shí)域和頻域特征，處理睡眠分期任務(wù)。在過去十年中，傳統(tǒng)的機(jī)器學(xué)習(xí)方法如Tsinalis等通過僅分析原始信號(hào)的時(shí)頻域特征實(shí)現(xiàn)了78.9%的分類精度。借助支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)方法也達(dá)到了不錯(cuò)的性能。但機(jī)器學(xué)習(xí)的算法性能很大程度上取決于特征工程的選擇是否合理，這增加了實(shí)際應(yīng)用的難度。隨著深度學(xué)習(xí)的廣泛應(yīng)用，處理睡眠分期任務(wù)的方法也變得多樣。用于解決睡眠分期的主流網(wǎng)絡(luò)大多基于遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network．RNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），其中CNN通常用于捕捉腦電信號(hào)的波形特征，RNN用于建模腦電信號(hào)的時(shí)序的動(dòng)態(tài)變化。在RNN中，有2種典型的結(jié)構(gòu)常被用于睡眠分期任務(wù)。例如，在Deep-SleepNet中，使用雙向長(zhǎng)短期記憶（Bi-directionalLong Short Term Memory，Bi-LSTM）神經(jīng)網(wǎng)絡(luò)和快捷連接結(jié)構(gòu)，在SeqSleepNet中，使用雙向門循環(huán)單元（Bi-directional Gate Recurrent Unit， Bi-GRU）。然而，在RNN的訓(xùn)練過程中，不可避免地會(huì)出現(xiàn)梯度消失、梯度爆炸等問題，導(dǎo)致深度RNN模型難以訓(xùn)練，實(shí)際應(yīng)用較為困難。

與RNN相比，CNN在并行計(jì)算方面具有更高的性能。但是，使用單通道EEG信號(hào)對(duì)于睡眠分期任務(wù)來說并不理想。Joint-PreCNN引入了聯(lián)合分類和預(yù)測(cè)公式，基于睡眠周期依賴性，聯(lián)合分類輸入周期并預(yù)測(cè)它們?cè)谏舷挛妮敵鲋械南噜彉?biāo)簽，在數(shù)據(jù)集Sleep-EDF中實(shí)現(xiàn)了79.8%的準(zhǔn)確率。Multi-DeepCNN設(shè)計(jì)了一個(gè)深度CNN，驗(yàn)證了網(wǎng)絡(luò)性能增益主要依賴于網(wǎng)絡(luò)深度，而不是使用多通道信息，僅使用EEG信號(hào)使模型性能達(dá)到了81.0%的準(zhǔn)確率。NAS-Sleep使用神經(jīng)架構(gòu)搜索通過綜合使用擴(kuò)張卷積和殘差連接等基本模塊來實(shí)現(xiàn)了82.7%的準(zhǔn)確率。U-Net在圖像分割領(lǐng)域使用下采樣集中信息，跳躍連接來融合不同層次的特征以獲得更好的分割效果。參考U-Net架構(gòu)，U-time使用編解碼結(jié)構(gòu)提取經(jīng)過有限長(zhǎng)沖擊響應(yīng)濾波器處理后的PSG信號(hào)，將任意長(zhǎng)度的順序輸入映射到類別標(biāo)簽序列，最終達(dá)到79%的準(zhǔn)確率。上述研究表明，睡眠分期任務(wù)可以使用全卷積網(wǎng)絡(luò)來實(shí)現(xiàn)，但還有很大的改進(jìn)空間。

除此之外，睡眠數(shù)據(jù)各個(gè)類別之間數(shù)量差異很大。通常，一整夜的睡眠包括N1、N2、N3和R四個(gè)睡眠階段，分別占5%、50%、20%～25%和20%～25%。由于CNN在進(jìn)行睡眠分期任務(wù)時(shí)，當(dāng)數(shù)據(jù)集中某個(gè)類別標(biāo)簽的樣本數(shù)量遠(yuǎn)高于其他類別時(shí)，模型的分類結(jié)果會(huì)偏向于樣本數(shù)量較多的類別，增加了睡眠分期任務(wù)的難度。因此，有必要設(shè)計(jì)使用單個(gè)腦電信號(hào)的自動(dòng)睡眠分期網(wǎng)絡(luò)，以緩解類別不均衡問題提高睡眠分期精確度，

總結(jié)前期工作，存在3個(gè)亟待解決的問題：①RNN在訓(xùn)練過程中會(huì)出現(xiàn)梯度消失、梯度爆炸等問題；②原始數(shù)據(jù)類別不平衡問題，導(dǎo)致N1階段的準(zhǔn)確率低；③復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)帶來精確度增加的同時(shí)也加大模型訓(xùn)練的難度。為了解決上述問題，提出了基于單通道EEG信號(hào)的上下文編碼輕量化模型，稱為CL-Sleep，用于自動(dòng)睡眠階段分期?？偟膩碚f，提出的方法的主要貢獻(xiàn)可以總結(jié)如下。

①以U型全卷積網(wǎng)絡(luò)為主體，采用跨通道融合增加通道連接，構(gòu)建端到端的自動(dòng)分期模型。構(gòu)建并行擴(kuò)張融合（Parallel Expansion Fusion，PEF）模塊，使用并行空洞卷積提取復(fù)雜的腦電信號(hào)特征。

②放棄傳統(tǒng)的RNN結(jié)構(gòu)，使用多尺度時(shí)序提?。∕ultiscale Temporal Extraction，MTE）模塊來學(xué)習(xí)睡眠轉(zhuǎn)換規(guī)則。同時(shí)使用瓶頸結(jié)構(gòu)（Bottleneck）減少模型的參數(shù)數(shù)量。

③使用焦變損失函數(shù)減少類別不平衡的影響。所提出的模型對(duì)原始單通道EEG數(shù)據(jù)進(jìn)行端到端學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明，CL-Sleep模型在Sleep-EDF數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他先進(jìn)的模型，有效緩解了睡眠分期中類別不平衡的問題。

1基于CL-Sleep網(wǎng)絡(luò)的睡眠分期模型總體框架

為了解決收集PSG信號(hào)困難、RNN不利于實(shí)際應(yīng)用、類別不平衡和模型參數(shù)量大等問題，本文提出的CL-Sleep模型如圖1所示。為了增強(qiáng)模型的實(shí)用性和易操作性，模型摒棄了RNN結(jié)構(gòu)采用全卷積網(wǎng)絡(luò)，僅需要輸入EEG信號(hào)到小卷積核中進(jìn)行處理，借助瓶頸結(jié)構(gòu)和空洞卷積有效地解決了模型參數(shù)量大和RNN訓(xùn)練難度高的問題。同時(shí)，使用焦變函數(shù)作為損失函數(shù)緩解類別不平衡問題。本文所提出的模型是由特征提取模塊、并行擴(kuò)張融合模塊、MTE模塊和分段分類器組成的全卷積網(wǎng)絡(luò)。簡(jiǎn)單來說，使用全卷積編碼器一解碼器網(wǎng)絡(luò)和PEF模塊對(duì)高級(jí)語義特征進(jìn)行編碼以捕獲單通道EEG信號(hào)的顯著波，使用MTE模塊學(xué)習(xí)信號(hào)的多尺度睡眠過渡規(guī)則，使用段分類器對(duì)像素進(jìn)行分類，完成睡眠分期任務(wù)。下面將詳細(xì)介紹模型結(jié)構(gòu)。

1.1編解碼特征提取模塊

給定信號(hào)XEEC，特征編碼模塊將其轉(zhuǎn)換為編碼特征圖，解碼模塊用于恢復(fù)從特征編碼器模塊和上下文提取器模塊提取的高級(jí)語義特征。其中，編碼模塊由2個(gè)卷積層和一個(gè)最大池化層組成。卷積塊采用ReLU-BN結(jié)構(gòu)，保證下一層的輸入為零均值。零均值的輸入可以避免下一層的連接權(quán)值梯度同號(hào)，出現(xiàn)“之”的情況，使得訓(xùn)練效率更高，收斂速度更快。解碼器的基本單元與編碼器類似。為了保證通道間的信息融合，編碼器采用最大池化操作，解碼器采用上采樣操作。

編解碼器結(jié)構(gòu)如圖2所示。其中，圖2（a）所示的編碼子模塊使用大小為3，步長(zhǎng)為1的卷積核進(jìn)行卷積，最大池化層用于下采樣；圖2（b）所示的解碼器子模塊使用上采樣和大小為3的卷積核來處理特征信息。在特征提取模塊中，共有5個(gè)解碼子模塊和4個(gè)編碼子模塊組成一個(gè)完整的編解碼結(jié)構(gòu)。圖中Conv2D表示卷積核，ReLU表示激活函數(shù)，Maxpooling表示最大池化層，Up-sampling表示上采樣。

1.2多尺度擴(kuò)張融合模塊

信息傳遞的過程本質(zhì)上是信息重構(gòu)的過程。為了防止信息傳輸過程中部分信號(hào)永久丟失，本文設(shè)計(jì)了全卷積PEF模塊，旨在增加感受野范圍，融合多序列信號(hào)特征。具體來說，不同的卷積膨脹率按照規(guī)則以級(jí)聯(lián)的方式進(jìn)行疊加。

PEF由4個(gè)級(jí)聯(lián)分支組成。級(jí)聯(lián)分支隨著擴(kuò)張卷積的數(shù)量逐漸增加。Dconv，是指擴(kuò)張因子為r的空洞卷積，使用式（1），可以得到每個(gè)分支的感受野分別為3、7、9和19。通過將空洞卷積與不同的擴(kuò)張率使用Concat操作進(jìn)行拼接，PEF模塊能夠提取更豐富的信號(hào)特征。

1.3MTE模塊

睡眠轉(zhuǎn)換規(guī)則對(duì)于睡眠分期非常重要。使用RNN學(xué)習(xí)睡眠轉(zhuǎn)換規(guī)則是解決此類問題的主流方法。RNN模型難以調(diào)整和優(yōu)化，影響了模型的性能和實(shí)際應(yīng)用。為此，本文放棄了RNN結(jié)構(gòu)。考慮到上采樣是根據(jù)采樣點(diǎn)周圍的信息得到一個(gè)新的更長(zhǎng)的序列，必然會(huì)導(dǎo)致噪聲放大等問題。本文通過MTE模塊增加了前后序列之間的連接，減少深度網(wǎng)絡(luò)帶來的梯度消失和梯度爆炸問題連續(xù)池化和卷積操作帶來的信息損失。圖4展示了MTE模塊結(jié)構(gòu)。

MTE模塊通過擴(kuò)張率不同的空洞卷積捕捉不同尺度感受野的特征。為了降低分支計(jì)算的代價(jià)，將卷積核設(shè)置為3，使用不同的膨脹因子獲得更大的感受野，構(gòu)建多尺度時(shí)間序列層，得到短、中、長(zhǎng)3個(gè)尺度的過渡信息。其中，卷積核大小為1的卷積層用于增加非線性能力，減少參數(shù)量和計(jì)算旦里。將不同尺度感受野學(xué)習(xí)到的特征圖并行拼接得到多尺度特征圖。此外，使用瓶頸結(jié)構(gòu)減少級(jí)聯(lián)特征圖的通道并使模型輕量級(jí)。受Conv-Net的影響，瓶頸結(jié)構(gòu)具有3個(gè)卷積層，輸出特征層比例為1：4：1。

由于視覺域中的當(dāng)前檢測(cè)模型在像素級(jí)操作，因此不直接適用于生理信號(hào)的分類和檢測(cè)。受Sa-lientSleepNet的啟發(fā)，本文采用了一種分段分類器，該分類器將逐像素特征映射到一系列分段的預(yù)測(cè)標(biāo)簽中。段分類器定義如下：

1.4損失函數(shù)

睡眠分期數(shù)據(jù)存在類別不平衡問題。研究人員選擇不同的損失函數(shù)來解決上述問題。加權(quán)交叉熵?fù)p失函數(shù)通過賦予不同的權(quán)重值來改善樣本分類不平衡的影響，在睡眠分期任務(wù)中取得了較好的效果。具體地，加權(quán)交叉熵?fù)p失函數(shù)定義如下：

在本文中，焦變函數(shù)被用作損失函數(shù)。焦變函數(shù)最早針對(duì)稠密物體檢測(cè)任務(wù)提出，用來解決樣本不平衡的問題。焦變函數(shù)可以自適應(yīng)地改變難分類樣本和易分類樣本在損失函數(shù)中的權(quán)重，不需要計(jì)算復(fù)雜的權(quán)重映射來解決嚴(yán)重的樣本不平衡問題。焦變函數(shù)表示為：

2實(shí)驗(yàn)設(shè)置

2.1數(shù)據(jù)集和評(píng)估指標(biāo)

為了驗(yàn)證提出的模型的有效性，在Sleep-EDF數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。該數(shù)據(jù)集包括20名健康受試者，男女分布相同，25～34歲。除第13例受試者因設(shè)備故障外，其余受試者均進(jìn)行了兩天一夜的PSG信號(hào)記錄，數(shù)據(jù)集中共有39個(gè)完整的PSG數(shù)據(jù)。為了客觀地評(píng)估分類性能，使用AASM轉(zhuǎn)換規(guī)則作為分類標(biāo)準(zhǔn)。具體來說，就是將Ramp;K手動(dòng)評(píng)分?jǐn)?shù)據(jù)中N3和N4階段合并為標(biāo)記為N3階段。排除了在每個(gè)睡眠數(shù)據(jù)的開始和結(jié)束時(shí)標(biāo)記為運(yùn)動(dòng)或未知的任何運(yùn)動(dòng)偽影外不執(zhí)行任何其他信號(hào)處理。

2.2實(shí)驗(yàn)具體設(shè)置

使用Ge Force RTX 2060顯卡，在Python 3.7編程環(huán)境下中對(duì)其編程。網(wǎng)絡(luò)訓(xùn)練參數(shù)包括訓(xùn)練集的大小、優(yōu)化器選擇、學(xué)習(xí)率和提前停止機(jī)制。訓(xùn)練數(shù)據(jù)的數(shù)據(jù)量與模型獲得有效信息成正比。同樣，訓(xùn)練樣本越多，模型訓(xùn)練所需的時(shí)間越長(zhǎng)。因此，需要通過探索訓(xùn)練樣本與測(cè)試樣本之間的比值關(guān)系，找到訓(xùn)練時(shí)間與訓(xùn)練精度的平衡狀態(tài)。圖5揭示了訓(xùn)練集的數(shù)量與模型的平均精度和迭代所需的時(shí)間的關(guān)系。

隨著訓(xùn)練迭代次數(shù)的增加，平均準(zhǔn)確率的增長(zhǎng)變得緩慢。在訓(xùn)練樣本與測(cè)試樣本的比值為24：1的情況下，觀察到邊際負(fù)增長(zhǎng)現(xiàn)象，可能是由于較多的訓(xùn)練樣本導(dǎo)致模型過多地學(xué)習(xí)次要特征，忽略了主要特征。值得注意的是，隨著訓(xùn)練樣本的增長(zhǎng)，訓(xùn)練所需的時(shí)間也在不斷增加，但二者的增長(zhǎng)速度不同。為了在性能和復(fù)雜性之間取得平衡，本文選擇了19：1的比率來劃分?jǐn)?shù)據(jù)，同時(shí)使用Adam優(yōu)化器訓(xùn)練模型。

訓(xùn)練樣本的目的是學(xué)習(xí)樣本的顯著信息，通過不斷地測(cè)試，來獲取最佳的樣本特征。通常訓(xùn)練過程中會(huì)出現(xiàn)波動(dòng)，但總體趨勢(shì)應(yīng)該是向上的。若模型的驗(yàn)證損失持續(xù)上升，可能出現(xiàn)過擬合現(xiàn)象。本文通過提前停止來解決這一問題，設(shè)置不同大小的耐心值節(jié)省訓(xùn)練資源。表1展示了不同耐心之下模型的識(shí)別性能。其中，平均精度指的是20輪交叉驗(yàn)證的平均值，平均迭代次數(shù)指的20輪交叉驗(yàn)證的平均訓(xùn)練輪數(shù)。

實(shí)驗(yàn)結(jié)果表明，耐心值越高，模型訓(xùn)練次數(shù)越多，能夠獲得越高的準(zhǔn)確度。由表1可以看出，最佳訓(xùn)練結(jié)果是在耐心值為5和平均56輪訓(xùn)練時(shí)獲得的。將耐心值設(shè)置為7時(shí)，迭代次數(shù)等于訓(xùn)練輪次。在這種情況下，所得到的模型的準(zhǔn)確度比耐心值設(shè)置為5時(shí)略低。因此，在該模型中選擇耐心值為5的早期停止。

3實(shí)驗(yàn)結(jié)果與討論

3.1實(shí)驗(yàn)結(jié)果

為了減輕有限數(shù)據(jù)對(duì)模型的影響，本研究采用了20倍交叉驗(yàn)證方法進(jìn)行訓(xùn)練，并客觀地評(píng)估了分類性能。表2展示了CL-Sleep的實(shí)驗(yàn)結(jié)果，其中行標(biāo)簽指示個(gè)實(shí)際類別，并且列對(duì)應(yīng)于混淆矩陣中的預(yù)測(cè)類別。

實(shí)驗(yàn)結(jié)果表明，CL-Sleep能夠準(zhǔn)確地識(shí)別個(gè)大多數(shù)睡眠階段。具體而言，W階段的準(zhǔn)確度達(dá)到93.56%，N2、N3和R階段的準(zhǔn)確度也超過85%，證明了所提出模型的有效性。值得注意的是，該模型在N1階段的性能相對(duì)較低，準(zhǔn)確度僅為59.49%。這可能是由于N1階段的樣本量小，其波形與W和N2階段有多個(gè)相似特征，可能導(dǎo)致混淆和不準(zhǔn)確的分類。圖6展示了模型睡眠分期階段的對(duì)比（1h=120個(gè)epoch）。其中，在270～410epoch處于睡眠的中間階段，睡眠轉(zhuǎn)換較為穩(wěn)定，模型準(zhǔn)確率較高；580～610epoch處于睡眠的后半階段，N2和N3階段轉(zhuǎn)換頻繁，在這一時(shí)期，模型的準(zhǔn)確率較低?？偟膩碚f，盡管N1階段和其他階段之間的分類性能存在顯著差異，但總體結(jié)果仍然實(shí)現(xiàn)了高水平的分類準(zhǔn)確性。

表3比較了所提出的模型與相關(guān)的先進(jìn)研究，使用客觀的評(píng)價(jià)指標(biāo)，以評(píng)估其有效性。粗體表示模型的最佳性能。C-R指模型網(wǎng)絡(luò)由CNN和RNN組成，C-C/R-R指模型網(wǎng)絡(luò)由多個(gè)CNN和RNN組成，C指模型網(wǎng)絡(luò)僅由CNN組成。PSG意味著輸入信號(hào)是多通道的睡眠信號(hào)，相關(guān)先進(jìn)模型描述如下。

DeepSleepNet：使用深度學(xué)習(xí)處理睡眠分期問題的經(jīng)典網(wǎng)絡(luò)。

SleepEEG：使用編解碼結(jié)構(gòu)和Bi-LSTM，重點(diǎn)捕捉EEG信號(hào)長(zhǎng)短期上下文之間的聯(lián)系，證明了利用睡眠信號(hào)間轉(zhuǎn)換規(guī)律的重要意義。

IITNet：基于改進(jìn)的Resnet-50網(wǎng)絡(luò)和Bi-LSTM結(jié)構(gòu)，提出時(shí)期內(nèi)和時(shí)期間水平的時(shí)間上下文學(xué)習(xí)。

TinySleep：簡(jiǎn)化了DeepSleepNet模型，對(duì)PSG信號(hào)使用單向RNN結(jié)構(gòu)，減小了模型的參數(shù)量。

CCRRSleep：將多尺度空洞卷積塊融合信號(hào)特征，多個(gè)串行的Bi-LSTM結(jié)構(gòu)捕捉PSG信號(hào)的時(shí)序特征。

Multi-DeepCNN：摒棄了RNN結(jié)構(gòu)，使用全卷積結(jié)構(gòu)提取PSG信號(hào)特征，證明了網(wǎng)絡(luò)的性能增益主要依賴于網(wǎng)絡(luò)深度。

NAS-sleep：使用神經(jīng)搜索的方式，通過對(duì)殘差連接、空洞卷積等傳統(tǒng)的模塊的排列組合確定模型最終結(jié)構(gòu)。

U-time：使用對(duì)稱的編碼結(jié)構(gòu)，采用全卷積結(jié)構(gòu)提取信號(hào)特征，將圖像處理的方式用于睡眠分期任務(wù)。

實(shí)驗(yàn)結(jié)果表明，所提出的CL-Sleep模型實(shí)現(xiàn)了87.5%的平均準(zhǔn)確率優(yōu)于其他先進(jìn)模型。雖然模型在N3階段的F，分?jǐn)?shù)是次優(yōu)的，但是所有其他Fi分?jǐn)?shù)達(dá)到最優(yōu)水平，證明了該模型能夠有效捕獲EEG特征信息。尤其是R階段有顯著的提高。事實(shí)上在醫(yī)學(xué)中，R是診斷幾種睡眠障礙的重要階段，這表明，本文提出的模型有利于睡眠障礙的實(shí)際診斷和評(píng)估。此外，圖7展示了不同模型的參數(shù)量對(duì)比結(jié)果。觀察圖7可以發(fā)現(xiàn)，該模型的數(shù)據(jù)量?jī)H為0.6Mb，是DeepsleepNet模型的參數(shù)量的2.86%。本文提出的模型使用較小的參數(shù)量實(shí)現(xiàn)了較高的性能，特別是N1和R階段的準(zhǔn)確度得到了提升。因此，本文所提出的模型可以在所有睡眠階段獲得良好的分類結(jié)果，提高了應(yīng)用于實(shí)踐的可能。

3.2模型穩(wěn)定性

深度學(xué)習(xí)的有效性依賴于訓(xùn)練數(shù)據(jù)的高質(zhì)量，當(dāng)輸入的信號(hào)具有異常值、類別不平衡問題時(shí)，表現(xiàn)在驗(yàn)證曲線上為波動(dòng)較大，甚至?xí)霈F(xiàn)尖刺的情況。為了檢驗(yàn)本文提出模型的穩(wěn)定性，對(duì)訓(xùn)練和驗(yàn)證過程的精度和損失曲線可視化。圖8顯示了Sleep-EDF數(shù)據(jù)集其中一次交叉實(shí)驗(yàn)的訓(xùn)練和測(cè)試過程中的相關(guān)曲線。

觀察圖8（a），發(fā)現(xiàn)模型訓(xùn)練了57個(gè)epoch后停止訓(xùn)練，訓(xùn)練損失曲線為接近0.1，表明模型充分提取了數(shù)據(jù)的特征，損失曲線在驗(yàn)證階段波動(dòng)較小，整體趨勢(shì)向下。圖8（b）測(cè)試階段的精度有一定的波動(dòng)，波動(dòng)幅度在0.15左右，屬于正常值。從圖像上看，該模型性能穩(wěn)定、準(zhǔn)確率高，有利于后續(xù)的繼續(xù)研究并最終落地與實(shí)際。

3.3損失函數(shù)有效性驗(yàn)證

損失函數(shù)通過反映模型與實(shí)際數(shù)據(jù)之間的差距來衡量模型的性能。在一定程度上，損失函數(shù)決定了模型訓(xùn)練的方向，損失函數(shù)是否與問題本身相匹配，直接決定了模型能否取得良好的性能。本文使用焦變函數(shù)作為模型損失函數(shù)的進(jìn)行訓(xùn)練，以提高分類準(zhǔn)確率，減少類別不平衡。為了證明損失函數(shù)的有效性，本文將其與加權(quán)交叉熵?fù)p失函數(shù)訓(xùn)練的模型結(jié)進(jìn)行了比較，圖9為采用不同損失函數(shù)訓(xùn)練的混淆矩陣結(jié)果。

由圖9可以看出，與加權(quán)交叉熵?fù)p失函數(shù)相比，使用焦變函數(shù)的模型在睡眠分期的各個(gè)階段都有一定的提升，尤其在N1階段，焦變函數(shù)能夠更好地解決低幅值、分割難度大和樣本數(shù)少的問題，較好地分辨出N1和N2階段，提高了Nl和N2階段的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，焦變函數(shù)可以使模型更接近于理論預(yù)測(cè)模型的極限值，有助于更準(zhǔn)確地睡眠分期。

3.4消融實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證CL-Sleep模型每個(gè)模塊的有效性，對(duì)模型的每個(gè)組件進(jìn)行了消融研究，如下所示：

基本模型A：該模型由一個(gè)獨(dú)立的U形結(jié)構(gòu)組成，僅使用簡(jiǎn)單的跳躍連接。

變型B（+PEF模塊）：該模型將PEF模塊添加到基本模型，并使用空洞卷積集成上下文信息。

變體C（+MTE模塊）：該模型將MTE模塊添加到基本模型中捕捉睡眠信號(hào)的過渡信息。

變體D（CL-Sleep）：該模型使用PEF模塊和MTE模塊，結(jié)合U形結(jié)構(gòu)來捕獲波形特征。

基于其解決類別平衡問題的能力及其在睡眠分期準(zhǔn)確性方面的總體性能來評(píng)估每個(gè)變體。將PEF和MTE模塊與U形結(jié)構(gòu)相結(jié)合的CL-Sleep模型取得了最佳結(jié)果，證明了提出的用于EEG睡眠信號(hào)分類的方法的有效性。

圖1 0顯示了不同變體的訓(xùn)練結(jié)果，突出了每個(gè)模塊的有效性。如基本模型圖10（a）所觀察到的，大多數(shù)類別被正確分類，但是由于類似的波形特征，N1、R階段的準(zhǔn)確率較低。PEF模塊的加入，融合了上下文豐富的信息，更好地辨別波形，顯著提高了N1和R階段的準(zhǔn)確率。然而，許多N3階段被錯(cuò)誤地識(shí)別為N2階段，可能是由于PEF錯(cuò)誤地放大了波。MTE模塊的加入提高了分辨N1和N2階段的能力，借助過渡時(shí)期的轉(zhuǎn)換規(guī)則，能夠有效地分辨N3和R階段。綜合使用PEF和MTE模塊，通過PEF模塊獲取豐富的特征信息，和MTE模塊學(xué)習(xí)到的過渡規(guī)則對(duì)特征進(jìn)行進(jìn)一步篩選，取得了良好的分類效果。實(shí)驗(yàn)結(jié)果證明，本文所提出的模塊可以有效地處理睡眠分期任務(wù)。

4結(jié)束語

針對(duì)腦電睡眠信號(hào)中類別不平衡、遞歸網(wǎng)絡(luò)優(yōu)化困難和參數(shù)量較大等問題，建立了基于單通道EEG信號(hào)的上下文編碼輕量化模型。該模型放棄了RNN結(jié)構(gòu)，使用全卷積網(wǎng)絡(luò)來處理原始EEG，消除了由RNN結(jié)構(gòu)引起的梯度問題。此外，CL-Sleep模型利用EEG而不是PSG信號(hào)，降低了數(shù)據(jù)的收集難度并增加了實(shí)際應(yīng)用。原始EEG信號(hào)被輸入到對(duì)稱設(shè)計(jì)的編碼和解碼結(jié)構(gòu)中，PEF模塊融合上下文信息，MTE結(jié)構(gòu)借助并行的擴(kuò)張卷積獲得過渡規(guī)則。同時(shí)使用瓶頸結(jié)構(gòu)減小模型的參數(shù)體積。在僅0.6Mb參數(shù)的情況下，利用焦變函數(shù)來緩解類不平衡的問題。多輪交叉實(shí)驗(yàn)結(jié)果表明，CL-Sleep模型表現(xiàn)出87.5%的平均準(zhǔn)確性，有效地解決了分類不平衡的問題，并顯示出優(yōu)異的總體分期性能。