摘要

本研究提出了一种名为DeepSleepNet的深度学习模型，用于基于原始单通道脑电图（EEG）的自动睡眠分期评分。现有的大多数方法依赖于手工设计的特征，这需要事先具备睡眠分析的知识。只有少数方法将时间信息（如转换规则）编码到提取的特征中，这对于识别下一个睡眠阶段非常重要。在所提出的模型中，我们利用卷积神经网络（Convolutional Neural Networks, CNN）提取时不变特征，并使用双向长短期记忆网络（bidirectional Long Short-Term Memory, BiLSTM）从EEG片段中自动学习睡眠阶段之间的转换规则。我们实现了一个两步训练算法，以高效地训练我们的模型。我们使用来自两个公开睡眠数据集的不同单通道EEG（F4-EOG(左眼)，Fpz-Cz和Pz-Oz），这些数据集具有不同的属性（例如采样率）和评分标准（AASM和R&K），对我们的模型进行了评估。结果显示，我们的模型在这两个数据集上的总体准确率和宏F1分数（MASS：86.2%-81.7，Sleep-EDF：82.0%-76.9）与现有最先进方法（MASS：85.9%-80.5，Sleep-EDF：78.9%-73.7）相当。这表明，在不改变模型架构和训练算法的情况下，我们的模型能够从不同数据集中不同来源的原始单通道EEG自动学习用于睡眠分期评分的特征，而无需使用任何手工设计的特征。