【摘要】：針對現(xiàn)階段可用的睡眠腦電數(shù)據(jù)皆為類不平衡小數(shù)據(jù)集,深度學習模型的直接遷移應用所取得的分期效果較差的問題,分別從數(shù)據(jù)集重構(gòu)和模型訓練優(yōu)化兩方面入手,提出一種可用于少量類不均衡原始睡眠腦電數(shù)據(jù)集的深度端到端自動睡眠分期模型。以下為本文的主要研究內(nèi)容和成果:(1)構(gòu)建了深度端到端自動睡眠分期模型。使用Sleep-EDF數(shù)據(jù)庫Fpz-Cz通道的原始睡眠腦電數(shù)據(jù)集對模型進行15折交叉驗證實驗,得到總體精度和宏平均F1值分別為86.73%和81.70%。并通過與近年使用相同實驗數(shù)據(jù)集的高水平分類模型的比較,驗證了所提出的端到端自動睡眠分期模型的先進性。(2)在改進生成少數(shù)類過采樣技術(shù)(MSMOTE)的基礎(chǔ)上從減少決策域的角度出發(fā),只對少數(shù)類中的安全類進行擴增,并對數(shù)據(jù)生成的方法進行改進,提出同維度變換生成少數(shù)類過采樣技術(shù)(DMSMOTE)。實驗表明,DMSMOTE在本文模型中的應用效果優(yōu)于MSMOTE。(3)以減少類原始數(shù)據(jù)集中類不均衡對少數(shù)類分類的負面影響為出發(fā)點�？紤]到DMSMOTE重構(gòu)后生成的類平衡數(shù)據(jù)集中會含有不屬于任何分類的數(shù)據(jù);用DMSMOTE重構(gòu)后的類平衡數(shù)據(jù)集對模型作預激活處理,原始腦電數(shù)據(jù)集用于模型的微調(diào)。實驗表明,采用DMSMOTE重構(gòu)后生成的類平衡數(shù)據(jù)集對模型作預激活,可使最小類的分類F1值由45.16%增至53.64%。研究結(jié)果顯示:模型可實現(xiàn)對少量原始睡眠腦電數(shù)據(jù)的端到端學習,總體分類效果優(yōu)于近年高水平模型;鑒于其端到端特性,相對于傳統(tǒng)基于特征工程的機器學習模型,所提模型更適用于配備遠程服務器的分體式個性化睡眠監(jiān)測設(shè)備。
【圖文】：

以 LeNet-5 結(jié)構(gòu)圖[36]為例，圖 2-2 為其網(wǎng)絡(luò)結(jié)構(gòu)圖。圖 2-2 LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)圖如圖 2-2 所示，卷積層可以對自主輸入層的時不變特征進行自主學習。圖 2-2中，該卷積層由六個特征圖組成，特征圖中的每個神經(jīng)元都連接到上一層的神經(jīng)元鄰域，這個在前一層神經(jīng)元的鄰域被稱為神經(jīng)元的接收域。為了計算新的特征映射，輸入特征映射首先與已知的內(nèi)核進行卷積，然后將結(jié)果傳遞給非線性激活函數(shù)；同時使用不同的卷積核進行卷積操作以提取特征圖上多種類型的特征（每個卷積核都會對特征圖上所有位置進行卷積運算，這就實現(xiàn)了權(quán)值共享）。卷積運算結(jié)束后會進入非線性變換階段，這一階段將使用激活函數(shù)對卷積運算得出的結(jié)果進行非線性變換處理，進一步避免可能存在的線性模型處理能力不足的問題[37]。常用的非線性激活函數(shù)有 Sigmoid 函數(shù)、Tanh函數(shù)、ReLU（Rectified Linear Unit）函數(shù)等

哈爾濱工業(yè)大學工程碩士學位論文-1 -2 1 ( , ,......, )t t t t ts g x ,x x x 其中函數(shù)tg 把所有過往序列-1 -2 1( , ,......, )t t tx ,x x x 映射在現(xiàn)時間狀態(tài)果將ts 當成現(xiàn)時間步 t 對前期序列的歸納，公式（2-3）也是遞歸神經(jīng)部分定義。如果將遞歸神經(jīng)網(wǎng)絡(luò)應用在睡眠腦電信號識別系統(tǒng)的建處理是給定一批先前睡眠階段來對下一個睡眠階段進行預測。由前面所鋪墊的 FG 相關(guān)理論，可以構(gòu)建一種具有廣泛性和多樣性路，，這種遞歸回路結(jié)構(gòu)[39]的具體結(jié)構(gòu)如圖 2-5 所示，該結(jié)構(gòu)展開圖結(jié)構(gòu)直觀地進行展示。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP181;R740

【參考文獻】

相關(guān)期刊論文 前6條

1 張博;史忠植;趙曉非;張建華;;一種基于跨領(lǐng)域典型相關(guān)性分析的遷移學習方法[J];計算機學報;2015年07期

2 沈躍;劉慧;謝洪波;和衛(wèi)星;;基于貝葉斯相關(guān)向量機的腦電睡眠分期[J];江蘇大學學報(自然科學版);2011年03期

3 祝宇虹;張忠奎;李滿天;;一種基于腦電ZCR值的自動睡眠分期方法研究[J];機械與電子;2010年06期

4 楊樹仁;沈洪遠;;基于相關(guān)向量機的機器學習算法研究與應用[J];計算技術(shù)與自動化;2010年01期

5 王菡僑;;有關(guān)美國睡眠醫(yī)學學會睡眠分期的最新判讀標準指南解析[J];診斷學理論與實踐;2009年06期

6 胡艷;李宏翰;;碩士生睡眠質(zhì)量狀況及其與心理健康的相關(guān)研究[J];山東精神醫(yī)學;2006年02期

相關(guān)碩士學位論文 前3條

1 吳國琴;遷移學習在圖像分類中的應用研究[D];安徽大學;2017年

2 李斐;基于腦電信號特征提取的睡眠分期方法研究[D];南京郵電大學;2016年

3 龔千健;基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的文本分類[D];華中科技大學;2016年

本文編號：2642782