摘要

正确识别睡眠阶段对于诊断和治疗睡眠障碍至关重要。本文提出了一种基于卷积神经网络（CNNs）的联合分类与预测框架，用于自动睡眠分期，并随后介绍了一种简单而高效的CNN架构来支持该框架。给定单个输入周期，这一创新框架能够在上下文输出中同时确定其标签（分类）及其相邻周期的标签（预测）。尽管所提出的框架与广泛采用的分类方案正交，后者通常以一个或多个周期作为上下文输入并针对目标周期生成单一分类决策，但我们通过几种方式展示了其优势。首先，它利用了连续睡眠周期之间的依赖关系，同时克服了常见分类方案所面临的问题。其次，即使使用单一模型，该框架也具备生成多个决策的能力，这对于实现类似于多模型集成方法的良好性能至关重要，并且几乎不会增加计算开销。然后提出了概率聚合技术来充分利用多个决策的优势。我们在两个公开数据集上进行了实验：包含20名受试者的扩展版Sleep-EDF数据集和包含200名受试者的蒙特利尔睡眠研究档案数据集。所提出的框架分别实现了82.3%和83.6%的整体分类准确率。我们还表明，所提出的框架不仅优于基于常见分类方案的基线方法，而且在性能上超过了现有的深度学习方法。据我们所知，这是首次超越标准单输出分类方法，考虑使用多任务神经网络进行自动睡眠分期的工作。这一框架为未来研究不同神经网络架构在自动睡眠分期中的应用提供了途径。