摘要
睡眠分期是为了分析多导睡眠图记录而进行的重要过程,在睡眠监测和睡眠障碍诊疗中发挥着关键作用。传统的手动睡眠分期需要专业知识,繁琐且耗时;而深度学习通过模拟人脑解释信息的机制来构建模型,具有强大的自动特征提取及特征表达功能。将深度学习方法应用于睡眠分期研究,不依赖于手工特征设计,能够实现睡眠分期的自动化。本文着眼于2017年以来的一些典型的自动睡眠分期研究,重点从单视图和多视图输入两个方面系统回顾了应用于自动睡眠分期中的深度学习模型,并分析了多视图模型存在的难点,指出了其具有的潜在研究价值。最后,对自动睡眠分期未来的研究方向进行了探讨。
睡眠是维持个人身心健康的重要行为,但它易被忽视,这会导致患有睡眠相关疾病的患者日渐增
多导睡眠图(Polysomnography, PSG)是睡眠分期最常用的信号采集方法,PSG用于采集包括脑电图(Electroencephalogram, EEG)、眼动图(Electrooculogram, EOG)、肌电图(Electromyogram, EMG)、心电图(Electrocardiogram, ECG)及血氧饱和度在内的多种与睡眠相关的生理信号。在生理信号采集完成后,睡眠专家以30 s为一个时期(epoch)对PSG记录进行解释分析,并根据美国睡眠医学学会(American academy of sleep medicine, AASM)提出的AASM标准对每个“epoch”进行标注,来划分睡眠阶段,具体包括5个睡眠阶段:清醒期(Wake, W)、非快速眼动期(Non‑rapid eye movement, NREM, N1, N2, N3)和快速眼动期(Rapid eye movement, REM
在自动睡眠分期的研究进程中,研究者首先引入机器学习,如随机森林模
现有的自动睡眠分期研究根据睡眠数据的输入形式分类,主要分为两类:单视图输入和多视图输入。单视图输入表现为直接处理原始的一维(1D)信
本文首先总结了常用的深度学习模型;然后重点从单视图和多视图输入两个方面对应用于自动睡眠分期的典型方法进行技术见解;最后对自动睡眠分期存在的挑战进行分析,并对其未来的研究方向进行展望。
卷积神经网络(Convolutional neural network, CNN)设计之初主要应用于模式识别及目标检测等二维领域,且表现优
一般地,在CNN中,睡眠数据作为输入数据被导入,在卷积层通过滤波器逐层学习,以提取重要特征,并构建特征

图1 用于PSG记录分析的基本CNN架构
Fig.1 Basic CNN architecture for PSG recordings analysis
CNN在自动睡眠分期上的应用取得了巨大成功,但其也存在局限,如CNN对诸如睡眠数据等序列数据的时序关系捕捉分析能力较弱。为了解决CNN存在的局限,研究者提出循环神经网络(Recurrent neural network, RNN),RNN主要用于语音识
研究者初期以构建单一神经网络为主,然而单一神经网络在具备其自身优势的同时,也具有一定的局

图2 CNN-BiLSTM-CRF结构示意
Fig.2 Structure of CNN-BiLSTM-CR
深度学习应用于自动睡眠分期的基本流程框架如

图3 深度学习应用于自动睡眠分期的基本流程框架图
Fig.3 Basic flow diagram of deep learning applied to automatic sleep staging
1968年被提出的Rechtschaffen and Kales标准(R&K标准)将人的睡眠划分为6个阶段,即W、NREM(S1, S2, S3, S4)、REM,其中S1与S2属于浅睡眠期,S3与S4属于深睡眠
本文以EEG的波形特征来阐述不同睡眠阶段的特
(1)W:这一阶段表现为睡眠前后的清醒状态,也包括睡眠过程中的短暂清醒。该阶段的代表波形为闭眼时的波(8~13 Hz),一般波所占比例大于50%,同时睁眼时会伴有波(13~30 Hz)。
(2)N1:这一阶段为W期向其他阶段的过渡阶段,EEG波形为低波幅的混合频率波,该阶段波减弱,波(4~8 Hz)占据主导地位。
(3)N2:这一阶段EEG波形为相较于N1期频率更慢的低波幅混合频率波,出现睡眠梭形波(12~14 Hz)及K‑复合波,K‑复合波持续时间大于0.5 s。
(4)N3:这一阶段人体进入深度睡眠,波(0.5~2 Hz)占据主导地位,其所占比例大于20%。
(5)REM:这一阶段通常位于N3期之后,其EEG波形与N1阶段类似,间断出现波和锯齿波(2~6 Hz),快速眼球运动出现在该阶段。
挖掘类别更为平衡、更为标准化的数据集一直是研究者尝试提升自动睡眠分期模型准确率的一个方向。目前已经有诸多开源或私有数据集应用于自动睡眠分期模型的训练,本文主要介绍其中的5个主流数据集:蒙特利尔睡眠研究档案(Montreal archive of sleep studies, MASS
上述睡眠数据集中,仅有MASS数据集部分遵循AASM标准,其余数据集遵循R&K标准。睡眠专家基于R&K标准对数据集进行标注,一般分为8类:W、S1、S2、S3、S4、REM、运动期(MOVEMENT)及未知时期(UNKNOWN),在使用这类数据集时,需要对PSG记录进行预处理,以合并S3与S4期,并剔除MOVEMENT与UNKNOWN。
(1)MASS数据集包括200名来自不同睡眠实验室的受试者的PSG记录,PSG记录包含EEG、EOG、EMG、ECG及呼吸信号,其采样频率为256 Hz。MASS数据集的标注由睡眠专家基于AASM标准(SS1和SS3子集)或R&K标准(SS2、SS4和SS5子集)完成。
(2)Sleep‑EDF数据集包括8个未服用药物的健康受试者的PSG记录,受试者分为日常监测SC与医院监测ST两组。SC组包含以100 Hz采样的EEG与EOG,以及以1 Hz采样的口鼻气流、直肠体温与事件标记等;ST组包含以100 Hz采样的EMG,以及以1 Hz采样的事件标记。
(3)Sleep‑EDFX数据集包括 197条PSG记录,PSG记录包含以100 Hz采样的EEG、EOG、EMG,以及以1 Hz采样的呼吸信号与事件标记等。
(4)MIT‑BIH数据集包括来自16个怀疑患有慢性阻塞性睡眠呼吸暂停的男性受试者的PSG记录。PSG记录包含EEG、ECG及呼吸信号,其采样频率为250 Hz。
(5)SHHS数据集是旨在探究睡眠障碍与心血管疾病之间关系的大型睡眠数据
自动睡眠分期涉及多标签分类问题,评估模型性能时,每个类都是通过将类本身作为正样本,将其他类作为负样本来评估的。对于每个类,常用的指标有准确率(Accuracy)、精度(Precision)、召回率(Recall)及F1分数(F1),最后将每个类的指标整合平均得到一个整体指标。上述指标分别定义如下
(1) |
(2) |
(3) |
(4) |
式中:TP表示被模型预测为正的正样本个数;TN表示被模型预测为负的负样本个数;FP表示被模型误判为正的负样本个数;FN表示被模型误判为负的正样本个
同时为了评估模型的整体性能,研究者还引入宏平均F1分数(Macro‑F1, MF1)与Cohen’s Kappa系数[
(5) |
(6) |
式中:i表示类,C表示类的数量(一般情况下,C=5),MF1是相对于如睡眠分期这样的多标签分类问题而言的,代表每个类的F1分数总和的平均值;Cohen’s Kappa系数是用于评估专家与拟议方法之间一致性的统计度量,yi表示每个类中预测结果正确的样本数量,ai表示每个类真实的样本数量,bi表示每个类预测出的样本数量,n表示样本总数量。在大多数睡眠数据集上,Cohen’s Kappa系数大于等于0.81,表示模型的预测效果与专家之间具有高度一致
在现阶段的自动睡眠分期研究中,从原始一维信号或由其导出的二维时频图像这类单视图中学习已经相对普遍,然而,从多个视图(例如,结合原始一维信号和二维时频图像)中学习并进行睡眠分期尚未得到广泛应用。
原始一维信号与二维时频图像代表了相同数据的两种不同分布,研究者针对不同的数据表现形式分别构建了相应的模型。部分研究者认为尽管CNN主要应用于二维领域,但它已经成功应用于一维信号的处理,且与传统的二维CNN要求输入数据为矩阵格式不同,一维CNN可以使用简单数组运行。因此,使用一维CNN可以降低计算复杂度,现阶段大多数自动睡眠分期研究依赖于一维CNN方
文献 | 信号 | 数据集 | 模型基础 | 分类效果 | |
---|---|---|---|---|---|
准确率 | |||||
[ | EEG | MASS | CNN‑BiLSTM | 0.862 0 | 0.800 0 |
[ | EEG | Sleep‑EDF | CNN‑BiLSTM | 0.820 0 | 0.760 0 |
[ | EEG+EOG+EMG | Sleep‑EDFX | 多分支CNN‑Attention | 0.858 0 | 0.800 0 |
[ | EEG | MASS |
CNN‑LSTM CNN‑LSTM CNN‑LSTM | 0.875 0 | 0.820 0 |
[ | EEG | Sleep‑EDF | 0.854 0 | 0.800 0 | |
[ | EEG | Sleep‑EDFX | 0.831 0 | 0.770 0 | |
[ | EEG | Sleep‑EDFX | CNN‑BiLSTM‑CRF | 0.907 0 | - |
[ | EEG | Sleep‑EDFX | BiLSTM‑Attention | 0.837 8 | 0.766 0 |
[ | EEG | Sleep‑EDF | 多尺度CNN | 0.861 0 | 0.805 0 |
[ | EEG | Sleep‑EDF | 多尺度CNN+自适应特征重新校准AFR | 0.856 0 | 0.809 0 |
[ | EEG | Sleep‑EDFX | 多尺度CNN+自适应特征重新校准AFR | 0.829 0 | 0.770 0 |
[ | EEG | SHHS | 多尺度CNN+自适应特征重新校准AFR | 0.866 6 | 0.810 0 |
[ | EEG | Sleep‑EDF | CNN‑BiRNN‑Attention | 0.840 4 | - |
[ | EEG | Sleep‑EDF | 多尺度CNN‑Attention | 0.917 4 | 0.872 3 |
[ | EEG | Sleep‑EDFX | 多尺度CNN‑Attention | 0.903 5 | 0.828 4 |
文献 | 信号 | 数据集 | 模型基础 | 分类效果 | |
---|---|---|---|---|---|
准确率 | |||||
[ | EEG | Sleep‑EDF | CNN | 0.819 0 | 0.740 0 |
[ | EEG+EOG | Sleep‑EDF | CNN | 0.823 0 | 0.750 0 |
[ | EEG+EOG+EMG | MASS | CNN | 0.836 0 | 0.770 0 |
[ | EEG+EOG+EMG | MASS | BiGRU‑Attention⁃BiLSTM | 0.871 0 | 0.815 0 |
[ | EEG | MIT‑BIH | CNN+SENet | 0.876 0 | 0.800 0 |
[ | EEG | SHHS | CNN | 0.867 0 | 0.813 0 |
[ | EEG | Sleep‑EDFX | CNN | 0.837 0 | 0.775 0 |
[ | EEG | 成功大学 | Ensemble CNN | 0.937 8 | 0.911 8 |
[ | EEG+EOG | Sleep‑EDFX | CNN | 0.940 0 | - |
[ | EEG | SHHS | Transformer | 0.877 0 | 0.828 0 |
[ | EEG | Sleep‑EDF | Transformer | 0.849 0 | 0.789 0 |
(1)直接处理原始一维信号
近年来,研究者构建的模型主要使用与目标epoch相邻的一个或几个epoch这类短上下文输入来预测目标epoch对应的睡眠阶段,上述架构虽可以提取到有用的特征,但由于输入的上下文较短,构建的网络无法捕捉到睡眠数据各个epoch之间的长期依赖关系。然而,鉴于睡眠阶段所对应的生理过程本身具有缓慢过渡特性,建立具有长期依赖关系的模型对自动睡眠分期至关重

图4 DeepSleepNet结构示意
Fig.4 Structure of DeepSleepNe
随后,Supratak
EEG信号中用于区分睡眠阶段的多个显著波形具有不同的尺度,因此,不同尺度波形特征的提取具有重要意义。为此,DeepSleepNe

图5 MSDAN结构示意
Fig.5 Structure of MSDA
对于多模态信号(EEG、EOG、EMG等)的研究,Zhu
Zhao

图6 双模态多尺度结构示意
Fig.6 Structure of dual-modal and multi-scal
(2)将一维信号转换为二维时频图像作为输入
早期的两阶段训练模型产生的效果显著(如DeepSleepNe

图7 SeqSleepNet结构示意
Fig.7 Structure of SeqSleepNe
随后,Phan

图8 SleepTransformer结构示意
Fig.8 Structure of SleepTransforme
此外,Kuo

图9 Ensemble CNN结构示意
Fig.9 Structure of Ensemble CN
与单视图输入相比,从多个视图中获取信息的方式更有助于模型的识别性
对于多个视图的互补性而言,已有研究表明,采用一维信号输入的模型在N3阶段分类性能更优,而采用二维时频图像输入的模型在MASS数据集上对N1和REM阶段的分类性能更
对于多视图模型的有效性而言,多视图输入模型包括多个基础网络,每一个基础网络专门用于一种视图的处理。为了保证多视图模型的有效性,各个基础网络的网络结构应具有多样性,即针对不同视图需专门设计相应用于处理该视图的网络结构。然后,将来自不同基础网络的特征进行组合(例如通过简单连

图10 多视图输入模型特征提取的组合方
Fig.10 Combination of feature extraction in multi-view input model
对于从多个视图中有效学习的灵活性而言,在不同基础网络上对相应视图的学习速率可能不同,即对某一视图的学习在模型泛化良好时会加快,在模型过拟合时会减慢。见
文献 | 信号 | 数据集 | 模型基础 | 分类效果 | |
---|---|---|---|---|---|
准确率 | |||||
[ | EEG | 马萨诸塞州综合医院 | CNN‑RNN | 0.857 6 | 0.794 6 |
[ | EEG+EOG+EMG | MASS |
1D CNN+ 2D BiGRU‑Attention | 0.880 0 | 0.828 0 |
[ | EEG | MASS |
1D CNN+ 2D BiLSTM‑Attention | 0.852 0 | 0.788 0 |
[ | EEG+EOG | MASS |
1D CNN+ 2D BiLSTM-Attention | 0.869 0 | 0.813 0 |
[ | EEG+EOG+EMG | MASS |
1D CNN+ 2D BiLSTM‑Attention | 0.876 0 | 0.823 0 |
[ | EEG | SHHS |
1D CNN+ 2D BiLSTM-Attention | 0.876 0 | 0.826 0 |
[ | EEG+EOG | SHHS |
1D CNN+ 2D BiLSTM‑Attention | 0.888 0 | 0.843 0 |
[ | EEG+EOG+EMG | SHHS |
1D CNN+ 2D BiLSTM‑Attention | 0.891 0 | 0.847 0 |
[ | EEG | Sleep‑EDF |
1D CNN+ 2D BiLSTM‑Attention | 0.863 0 | 0.813 0 |
[ | EEG | Sleep‑EDF | 1D CNN+2D CNN | 0.943 1 | - |
Phan

图11 XSleepNet结构示意
Fig.11 Structure of XSleepNe
Siddharth

图12 SpectroTemporalNet结构示意
Fig.12 Structure of SpectroTemporalNe
如上所述,基于PSG记录的自动睡眠分期已经经历相当一段时间的发展,睡眠阶段分类问题基本得到解决,但仍有挑战需要克服,当然,这些挑战均可以被视为创新的机
多视图模型的构建使得一维信号与二维时频图像这两类视图的差异信息得到利用,但如何保证模型从不同视图中学习到高相关性的特征并进行联合,即如何保证从多个视图中有效学习的灵活性,这是一个相对困难的问题。现有的文献中提出通过简单连
此外,现有的多视图模型(如XsleepNe
基于深度学习的自动睡眠分期模型是需要数据驱动的,它只有在大型睡眠数据集(即数百甚至数千受试者的PSG记录)上才能达到与专家一致的性能。但现有的大多数睡眠数据集规模相对较小,即自动睡眠分期算法通常必须使用相当小的睡眠数据集进行训练。现有的解决方案是使用迁移学习,其本质是使用少量数据进一步训练在一个大型睡眠数据集上预训练过的模型。虽然通过迁移学习产生了不错的效果,但由于数据较少,微调时若没有对模型适当正则化,易导致过拟合,尤其是当源域与目标域存在显著差异的时
睡眠分期是睡眠监测和睡眠障碍诊治的关键,准确且高效的自动睡眠分期方法至关重要。本文系统回顾了2017年至2022年间的多项自动睡眠分期研究,重点从单视图和多视图输入两个方面对应用于自动睡眠分期的典型方法进行了技术见解,为未来的研究提供思路。与单视图输入相比,从多个视图中获取特征的方式可以联合多个视图的特征,以将不同视图所包含的差异特征信息相互补充,如此更有助于模型的识别性能。将多视图输入模型应用于自动睡眠分期得到的模型分期准确率尚未达到峰值,未来的研究可更多地关注多视图输入模型在自动睡眠分期中的应用,并进一步评估这类模型在不同数据库上的分期性能,以提高多视图输入模型的泛化能力,减少实际应用中的偏差。
参考文献
PHAN H, CHEN O Y, TRAN M C, et al. XSleepNet: Multi-view sequential model for automatic sleep staging[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022, 44(9): 5903-5915. [百度学术]
CHO J W, DUFFY J F. Sleep, sleep disorders, and sexual dysfunction[J]. The World Journal of Men’s Health, 2019, 37(3): 261-275. [百度学术]
ZHOU W, ZHU H Y, SHEN N, et al. A lightweight segmented attention network for sleep staging by fusing local characteristics and adjacent information[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering: A Publication of the IEEE Engineering in Medicine and Biology Society, 2022. DOI: 10.1109/TNSRE.2022.3220372. [百度学术]
EBRAHIMI F, ALIZADEH I. Automatic sleep staging by cardiorespiratory signals: A systematic review[J]. Sleep and Breathing, 2022, 26(2): 965-981. [百度学术]
MIKKELSEN K B, TABAR Y R, KAPPEL S L, et al. Accurate whole-night sleep monitoring with dry-contact ear-EEG[J]. Scientific Reports, 2019, 9(1): 16824. [百度学术]
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[S]. USA: American Academy of Sleep Medicine, 2007. [百度学术]
LOH H W, OOI C P, VICNESH J, et al. Automated detection of sleep stages using deep learning techniques: A systematic review of the last decade (2010—2020)[J]. Applied Sciences, 2020, 10(8963): 8963. [百度学术]
LIU J B, WU D P, WANG Z M, et al. Automatic sleep staging algorithm based on random forest and hidden Markov model[J]. Computer Modeling in Engineering & Sciences, 2020, 123(1): 401-426. [百度学术]
HOJAT G, KAMRAN K, MOHAMMAD S H, et al. An automatic single-channel EEG-based sleep stage scoring method based on hidden Markov model[J]. Journal of Neuroscience Methods, 2019, 324: 108320. [百度学术]
YANG B F, ZHU X L, LIU Y T, et al. A single-channel EEG based automatic sleep stage classification method leveraging deep one-dimensional convolutional neural network and hidden Markov model[J]. Biomedical Signal Processing and Control, 2021, 68: 102581. [百度学术]
FAUST O, RAZAGHI H, BARIKA R, et al. A review of automated sleep stage scoring based on physiological signals for the new millennia[J]. Computer Methods and Programs in Biomedicine, 2019, 176: 81-91. [百度学术]
卢宏涛, 罗沐昆. 基于深度学习的计算机视觉研究新进展[J]. 数据采集与处理, 2022, 37(2): 247-278. [百度学术]
LU Hongtao, LUO Mukun. Survey on new progresses of deep learning based computer vision[J]. Journal of Data Acquisition and Processing, 2022, 37(2): 247-278. [百度学术]
PHAN H, MIKKELSEN K. Automatic sleep staging of EEG signals: Recent development, challenges, and future directions[J]. Physiological Measurement, 2022. DOI: 10.1088/1361-6579/AC6049. [百度学术]
SUNDAR G N, NARMADHA D, ANTON J A A, et al. Automated sleep stage classification in sleep apnoea using convolutional neural networks[J]. Informatics in Medicine Unlocked, 2021, 26: 100724. [百度学术]
SUPRATAK A, DONG H, WU C, et al. DeepSleepNet: A model for automatic sleep stage scoring based on raw single-channel EEG[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering: A Publication of the IEEE Engineering in Medicine and Biology Society, 2017, 25(11): 1998-2008. [百度学术]
FU Z Y, HUANG C, ZHANG L, et al. Deep learning model of sleep EEG signal by using bidirectional recurrent neural network encoding and decoding[J]. Electronics, 2022, 11(17): 2644. [百度学术]
ZHU T Q, LUO W, YU F. Multi-Branch convolutional neural network for automatic sleep stage classification with embedded stage refinement and residual attention channel fusion[J]. Sensors (Basel, Switzerland), 2020, 20(22): 6592. [百度学术]
ZHAO R Q, XIA Y, WANG Q Y. Dual-modal and multi-scale deep neural networks for sleep staging using EEG and ECG signals[J]. Biomedical Signal Processing and Control, 2021, 66: 102455. [百度学术]
FU M Y, WANG Y T, CHEN Z X, et al. Deep learning in automatic sleep staging with a single channel electroencephalography[J]. Frontiers in Physiology, 2021, 12: 628502. [百度学术]
ZHOU D D, WANG J, HU G Q, et al. SingleChannelNet: A model for automatic sleep stage classification with raw single-channel EEG[J]. Biomedical Signal Processing and Control, 2022, 75: 103592. [百度学术]
SUPRATAK A, GUO Y. TinySleepNet: An efficient deep learning model for sleep stage scoring based on raw single-channel EEG[J]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2020, 2020: 641-644. [百度学术]
ELDELE E, CHEN Z H, LIU C Y, et al. An attention-based deep learning approach for sleep stage classification with single-channel EEG[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering : A Publication of the IEEE Engineering in Medicine and Biology Society, 2021, 29: 809-818. [百度学术]
WANG H F, LU C G, ZHANG Q, et al. A novel sleep staging network based on multi-scale dual attention[J]. Biomedical Signal Processing and Control, 2022, 74: 103486. [百度学术]
PHAN H, ANDREOTTI F, COORAY N, et al. Joint classification and prediction CNN framework for automatic sleep stage classification[J]. IEEE Transactions on Bio-medical Engineering, 2019, 66(5): 1285-1296. [百度学术]
PHAN H, ANDREOTTI F, COORAY N, et al. SeqSleepNet: End-to-end hierarchical recurrent neural network for sequence-to-sequence automatic sleep staging[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering: A Publication of the IEEE Engineering in Medicine and Biology Society, 2019, 27(3): 400-410. [百度学术]
GUILLOT A, THOREY V. RobustSleepNet: Transfer learning for automated sleep staging at scale[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering : A Publication of the IEEE Engineering in Medicine and Biology Society, 2021, 29: 1441-1451. [百度学术]
JOE M, PYO S. Classification of sleep stage with biosignal images using convolutional neural networks[J]. Applied Sciences, 2022, 12(6): 3028. [百度学术]
ZHANG J M, YAO R X, GE W G, et al. Orthogonal convolutional neural networks for automatic sleep stage classification based on single-channel EEG[J]. Computer Methods and Programs in Biomedicine, 2020, 183(C): 105089. [百度学术]
XU Z L, YANG X J, SUN J B, et al. Sleep stage classification using time-frequency spectra from consecutive multi-time points[J]. Frontiers in Neuroscience. 2020. DOI:10.3389/fnins.2020.00014. [百度学术]
ZHOU D D, XU Q, WANG J, et al. LightSleepNet: A lightweight deep model for rapid sleep stage classification with spectrograms[J]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2021, 2021: 43-46. [百度学术]
KUO C E, CHEN G T, LIAO P Y. An EEG spectrogram-based automatic sleep stage scoring method via data augmentation, ensemble convolution neural network, and expert knowledge[J]. Biomedical Signal Processing and Control, 2021, 70: 102981. [百度学术]
金峥, 贾克斌, 袁野. 基于混合注意力时序网络的睡眠分期算法研究[J]. 生物医学工程学杂志, 2021, 38(2): 241-248. [百度学术]
JIN Zheng, JIA Kebin, YUAN Ye. A hybrid attention temporal sequential network for sleep stage classification[J]. Journal of Biomedical Engineering, 2021, 38(2): 241-248. [百度学术]
PHAN H, MIKKELSEN K, CHEN O Y, et al. Sleeptransformer: Automatic sleep staging with interpretability and uncertainty quantification[J]. IEEE Transactions on Bio-medical Engineering, 2022, 69(8): 2456-2467. [百度学术]
BISWAL S, KULAS J, SUN H Q, et al. SLEEPNET: Automated sleep staging system via deep learning[EB/OL]. (2017-07-26).https://doi.org/10.48550/arXiV.1707.08262. [百度学术]
PHAN H, CHEN O Y, KOCH P, et al. Fusion of end-to-end deep learning models for sequence-to-sequence sleep staging[J]. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2019, 2019: 1829-1833. [百度学术]
SIDDHARTH S, PARAG V, PALASH R, et al. SpectroTemporalNet: Automated sleep stage scoring with stacked generalization[C]//Proceedings of the Second International Conference on Electronics and Sustainable Communication Systems (ICESC-2021). Coimbatore, India: Hindusthan Institute of Technology, 2021: 1256-1263. [百度学术]
BISWAL S, SUN H Q, GOPARAJU B, et al. Expert-level sleep scoring with deep neural networks[J]. Journal of the American Medical Informatics Association: JAMIA, 2018, 25(12): 1643-1650. [百度学术]
SUN H Q, JIA J, GOPARAJU B, et al. Large-scale automated sleep staging[J]. Sleep, 2017, 40(10): 139. [百度学术]
徐富献, 王抒伟, 钱镶钰, 等. 睡眠自动分期方法综述[J]. 生物物理学, 2019, 7(3): 34-48. [百度学术]
XU Fuxian, WANG Shuwei, QIAN Xiangyu, et al. A review of automatic sleep staging[J]. Biophysics, 2019, 7(3): 34-48. [百度学术]
孙正, 候英飒. 深度学习在有限视角稀疏采样光声图像重建中的应用[J]. 数据采集与处理, 2022, 37(5): 971-983. [百度学术]
SUN Zheng, HOU Yingsa. A survey on application of deep learning in photoacoustic image reconstruction from limited‑view sparse data[J]. Journal of Data Acquisition and Processing, 2022, 37(5): 971-983. [百度学术]
高凌飞, 王海龙, 王海涛, 等.基于轻量级卷积神经网络的人证比对[J]. 南京航空航天大学学报, 2021, 53(5): 751-758. [百度学术]
GAO Lingfei, WANG Hailong, WANG Haitao, et al. Scene⁃identity face matching based on efficient convolutional neural network[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2021, 53(5): 751-758. [百度学术]
ARNAUD S, STÉPHANE B, SÉBASTIEN M, et al. A convolutional neural network for sleep stage scoring from raw single-channel EEG[J]. Biomedical Signal Processing and Control, 2018, 42: 107-114. [百度学术]
VALLABHANENI R B, SHARMA P, KUMAR V, et al. Deep learning algorithms in EEG signal decoding application: A review[J]. IEEE ACCESS, 2021, 9: 125778-125786. [百度学术]
SERKAN K, ONUR A, OSAMA A, et al. 1D convolutional neural networks and applications: A survey[J]. Mechanical Systems and Signal Processing, 2021, 151(2021): 107398. [百度学术]
ZHENG Y B, LUO Y Y, ZOU B, et al. MMASleepNet: A multimodal attention network based on electrophysiological signals for automatic sleep staging[J]. Frontiers in Neuroscience, 2022, 16: 973761. [百度学术]
YADAV S P, ZAIDI S, MISHRA A, et al. Survey on machine learning in speech emotion recognition and vision systems using a recurrent neural network (RNN)[J]. Archives of Computational Methods in Engineering, 2022, 29: 1753-1770. [百度学术]
WU Y J, QIN Y H. Machine translation of English speech: Comparison of multiple algorithms[J]. Journal of Intelligent Systems, 2022, 31(1): 159-167. [百度学术]
BERNARDINI A, BRUNELLO A, GIGLI G L, et al. AIOSA: An approach to the automatic identification of obstructive sleep apnea events based on deep learning[J]. Artificial Intelligence in Medicine, 2021, 118: 102133. [百度学术]
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9: 1735-1780. [百度学术]
CHUNG J Y, GULCEHRE C, CHO K H, et al. Empirical evaluation of gated recurrent neural networks on sequence modeling[EB/OL]. (2014-12-11).https://doi.org/10.48550/arXiV.1412.3555. [百度学术]
O'REILLY C, GOSSELIN N, CARRIER J, et al. Montreal archive of sleep studies: An open-access resource for instrument benchmarking and exploratory research[J]. Journal of Sleep Research, 2014, 23(6): 628-635. [百度学术]
KEMP B, ZWINDERMAN A H, TUK B, et al. Analysis of a sleep-dependent neuronal feedback loop: The slow-wave microcontinuity of the EEG[J]. IEEE Transactions on Bio-medical Engineering, 2000, 47(9): 1185-1194. [百度学术]
ICHIMARU Y, MOODY G B. Development of the polysomnographic database on CD-ROM[J]. Psychiatry and Clinical Neurosciences, 1999, 53: 175-177. [百度学术]
QUAN S F, HOWARD B V, IBER C, et al. The sleep heart health study: Design, rationale, and methods[J]. Sleep, 1997, 20(12): 1077-1085. [百度学术]
孙涵, 刘译善, 林昱涵. 基于深度学习的显著性目标检测综述[J]. 数据采集与处理, 2023, 38(1): 21-50. [百度学术]
SUN Han, LIU Yishan, LIN Yuhan. Deep learning based salient object detection: A survey[J]. Journal of Data Acquisition and Processing, 2023, 38(1): 21-50. [百度学术]
MCHUGH M L. Interrater reliability: The kappa statistic[J]. Biochemia Medica, 2012, 22(3): 276-282. [百度学术]
ZHAO J, XIE X J, XUN X, et al. Multi-view learning overview: Recent progress and new challenges[J]. Information Fusion, 2017, 38: 43-54. [百度学术]