基于EOG的睡眠分期研究

王丹丹，夏　斌

(上海海事大學(xué)， 上海 201306)

?

基于EOG的睡眠分期研究

王丹丹，夏斌

(上海海事大學(xué)， 上海 201306)

摘要：隨著模式識別技術(shù)的發(fā)展與應(yīng)用，睡眠自動分期方法正在逐漸取代手動分期研究。文章使用深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)和長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory Recurrent Neural Network, LSTM-RNN)這兩種方法對眼電(Electrooculogram, EOG)通道的數(shù)據(jù)進行睡眠自動分期。LSTM-RNN方法(平均準確率83.4%)相對DBN(平均準確率75.6%)在基于眼電信號的睡眠分期問題上取得了更好的效果。

關(guān)鍵詞：DBN；LSTM-RNN；睡眠自動分期；EOG

引用格式：王丹丹，夏斌. 基于EOG的睡眠分期研究[J].微型機與應(yīng)用，2016,35(13)：79-81.

0引言

睡眠與人的健康息息相關(guān)。充足的睡眠可以消除疲勞，保證日常生活的正常進行，但是由于生活節(jié)奏的加快和壓力的增大，現(xiàn)代人通常都存在不同程度的睡眠障礙。有調(diào)查顯示，成年人存在睡眠障礙的比例高達30%。睡眠障礙會導(dǎo)致大腦功能紊亂，對身體造成多種危害，嚴重影響身心健康。因此對睡眠狀況進行研究，了解睡眠質(zhì)量，可以及早地診斷和治療隱藏疾病。睡眠分期是將睡眠過程分為不同的狀態(tài)。根據(jù)參考文獻[1]，睡眠過程分為三種狀態(tài)：清醒狀態(tài)(Awake)、非眼球快速運動睡眠狀態(tài)(Non-Rapid Eye Movements, NREMS)和眼球快速運動睡眠狀態(tài)(Rapid Eye Movements, REMS)。其中NREMS細分為四個狀態(tài)：S1～S4，分別代表淺度睡眠、輕度睡眠、中度睡眠和深度睡眠。

睡眠分期的方法主要有兩類：一類是基于R&K準則，需要經(jīng)驗豐富的專家對數(shù)據(jù)進行目測分類，這種方法不僅耗時費力，而且易受專家主觀因素影響。另一類是睡眠的自動分期方法，其用模式識別算法自動對數(shù)據(jù)提取特征和進行分類。目前使用較多的有支持向量機(Support Vector Machine, SVM)、隨機森林(Random Forest)、人工神經(jīng)網(wǎng)絡(luò)等。

由于深度學(xué)習(xí)可以自動提取特征，通過組合低層特征形成更加抽象的高層特征[2]，因此本文利用兩種深度學(xué)習(xí)網(wǎng)絡(luò)分別對EOG進行分期研究，并對分期結(jié)果進行比較。

1方法概述

1.1深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)是Hinton在2006年提出的[3]。它由一系列受限玻爾茲曼機(Restricted Boltzmann Machines, RBM)組成。DBN網(wǎng)絡(luò)的核心思想是將RBM堆疊在一起，訓(xùn)練出權(quán)值，將這個權(quán)值作為神經(jīng)網(wǎng)絡(luò)權(quán)值的初始值，再用經(jīng)典的梯度法去訓(xùn)練網(wǎng)絡(luò)。本文中用到的DBN結(jié)構(gòu)如圖1所示。DBN網(wǎng)絡(luò)共有5層：輸入層、3個隱層、標簽層。隱層的單元個數(shù)分別為500、200、100。DBN的訓(xùn)練過程包括三步：(1) RBM的訓(xùn)練，需將數(shù)據(jù)劃分為小批量的數(shù)據(jù)，HINTON G E在參考文獻[4]中提出小批量數(shù)據(jù)的大小minibatche設(shè)置為10～100，本文中設(shè)置為60，訓(xùn)練迭代次數(shù)epoch設(shè)為10。 (2)將RBM訓(xùn)練得到的權(quán)重作為DBN網(wǎng)絡(luò)的初始值進行訓(xùn)練。設(shè)置minibatche為1 000，epoch為30。(3)進行有監(jiān)督微調(diào)，學(xué)習(xí)率設(shè)置為0.03。

圖1　DBN網(wǎng)絡(luò)模型

1.2長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)

將每個受試的EOG數(shù)據(jù)看做一個序列，由于序列節(jié)點之間存在時序相關(guān)性，因此預(yù)測模型要具有記憶功能，能夠包含序列的遠距離信息。而遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)恰好滿足這一要求。RNN含有從單元的輸出到單元的輸入的連接(即含有遞歸連接)，因此可以利用其內(nèi)部的記憶來處理具有時序的輸入序列。然而，傳統(tǒng)的RNN存在梯度消失和梯度激增的問題，導(dǎo)致遠距離的信息不能有效地被利用。為了解決這一問題，HOCHREITER S和SCHMIDHUBER J在1997年提出了一種新的RNN網(wǎng)絡(luò)——長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)(LSTM-RNN)，它使用記憶模塊取代傳統(tǒng)RNN的隱層單元，通過記憶細胞內(nèi)部狀態(tài)的自反饋和輸入輸出門對誤差的截斷，解決了梯度消失和激增的問題。LSTM-RNN可以學(xué)習(xí)長度超過1 000的序列[5]。本文中使用的是具有忘記門的記憶模塊，結(jié)構(gòu)如圖2所示。

LSTM層的權(quán)重的計算主要包括兩個過程：前向傳播和后向傳播。

Xt表示t時刻的輸入向量，W表示輸入權(quán)重矩陣，R表示遞歸權(quán)重矩陣，b表示偏置單元。門的激活函數(shù)σ通常指的是sigmoid函數(shù)。記憶細胞的輸入輸出激活函數(shù)(g和h)通常是tanh函數(shù)。E表示損失函數(shù)，兩個向量之間的點乘用“·”表示。

前向傳播就是依次按照順序計算模塊內(nèi)部各個組成部分的輸入輸出直至得到記憶模塊的輸出。

模塊輸入：

zt=g(WzXt+Rzyt-1+bz)

(1)

輸入門輸出：

it=σ(WiXt+Riyt-1+bi)

(2)

忘記門輸出：

ft=σ(WfXt+Rfyt-1+bf)

(3)

記憶細胞輸出：

ct=zt·it+ct-1·ft

(4)

輸出門輸出：

ot=σ(WoXt+Royt-1+bo)

(5)

模塊輸出：

yt=h(ct)·ot

(6)

后向過程就是從最后一個時間將積累的殘差E傳遞回來。在此過程中采用的是BPTT[6](Back Propagation Through Time)算法。

圖3　LSTM-RNN 網(wǎng)絡(luò)模型

在本文中，將每30 s的數(shù)據(jù)作為一個時間步長進行輸入，輸出長度為6的向量，因此使用到LSTM-RNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中TimeDistributedDense層是一個基于時間維度的全連接層。學(xué)習(xí)率和網(wǎng)絡(luò)單元個數(shù)是網(wǎng)絡(luò)的最重要的參數(shù)，而且各參數(shù)之間的調(diào)整可以看做是獨立的[7]，因此可以獨立地對各個參數(shù)進行調(diào)優(yōu)。最終參數(shù)的設(shè)置為第一層全連接層單元數(shù)為500，兩層LSTM的單元個數(shù)為200、100，最后一層全連接層與第一層全連接層單元相同但是單元數(shù)設(shè)為6，batchsize為1，迭代次數(shù)epoch為128，學(xué)習(xí)率為0.003。

2實驗數(shù)據(jù)

本文用到的數(shù)據(jù)是圖賓根大學(xué)采集到的9名受試者晚上的睡眠數(shù)據(jù)，他們的平均年齡為23.5歲，其中包括3名女性。在實驗前的6周，要求受試者們保持規(guī)律的作息時間并禁止喝咖啡。在本項研究中使用EOG通道，信號的采樣率是500 Hz，專家將每30 s的數(shù)據(jù)對應(yīng)于一個標簽。由于本文對數(shù)據(jù)做6分類(AWAKE、S1、S2、S3、S4、REM)分析，因此只保留此6個狀態(tài)的數(shù)據(jù)。首先對數(shù)據(jù)進行預(yù)處理操作：(1)去除兩個不同狀態(tài)轉(zhuǎn)換時對應(yīng)的數(shù)據(jù)，得到處理后各子類數(shù)據(jù)比例如表1所示。(2)將數(shù)據(jù)進行快速傅里葉變換，取0.5～35 Hz之間的頻域數(shù)據(jù)。(3)進行歸一化后得到用于分期的數(shù)據(jù)。

表1　處理后睡眠數(shù)據(jù)各子類比例

3實驗結(jié)果

本文中使用留一驗證的方法，圖4展示了每個受試者DBN和LSTM-RNN的分類結(jié)果。表2和表3展示的是兩種方法對應(yīng)的混淆矩陣。通過分析結(jié)果可以得到以下結(jié)論：(1)EOG數(shù)據(jù)可以用作睡眠分期研究。(2)DBN和LSTM-RNN在睡眠分期研究中都取得了較好的結(jié)果，但是LSTM-RNN無論是在每個受試者的準確率還是在每個狀態(tài)的分類準確率上都要優(yōu)于DBN。(3)在混淆矩陣中，S2、S4和REM的準確率比其他狀態(tài)的準確率高，這與處于S2、S4、REM狀態(tài)的數(shù)據(jù)在總數(shù)據(jù)中占得比例較高和各個狀態(tài)具有相似特征有關(guān)。

圖4　每個受試者的分類準確率

預(yù)測的狀態(tài)AwakeS1S2S3S4REMAwake38.48029.451.176.1224.78S14.08051.020044.90S20.24093.280.871.244.37S31.06055.156.6025.5911.61S40.5502.865.1881.3110.10REM3.79027.050.237.6561.28準確率/%38.48093.286.6081.3161.28

表3　LSTM-RNN分類結(jié)果的混淆矩陣

4結(jié)論

本文通過基于EOG通道的睡眠分期研究可以得出，DBN和LSTM-RNN作為睡眠自動分期方法，可以很好地自動提取特征并進行分類，在處理時序序列的分類時，LSTM-RNN可以更好地利用長距離信息對睡眠數(shù)據(jù)進行分期，其分類效果優(yōu)于DBN。

參考文獻

[1] RECHTSCHAFFEN A，KALES A. A manual of standardized terminology，techniques and scoring system for sleep stages of human subjects[M]. Los Angeles: Brain Information Service/Brain Research Institute,1977.

[2] BENGIO Y，DELALLEAU O. On the expressive power of deep architectures[C].Proc of the 14thInternational Conference on Discovery Science. Berlin: Spring-Verlag，2011：18-36.

[3] HINTON G E，OSIJDERO S，TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation，2006，18(7) ：1527-1554.

[4] HINTON G E. A practical guide to training restricted Boltzmann machines[J].Momentum，2010， 9(1)：599-619.

[5] HOCHREITER S， SCHMIDHUBER J. Long short-term memo-ry[J].Neural Computation， 1997，9(8)：1735-1780.

[6] GRAVES A. Supervised sequence labelling with recurrent neural networks[M]. Berlin: Springer, 2012.

中圖分類號：TP391.9

文獻標識碼：A

DOI：10.19358/j.issn.1674- 7720.2016.13.026

(收稿日期：2016-03-12)

作者簡介：

王丹丹(1991-)，通信作者，女，在讀碩士研究生，主要研究方向：電子與通信工程。E-mail:1562505660@qq.com。

夏斌(1975-)，男，博士，副教授，碩士生導(dǎo)師，主要研究方向：腦-機接口、云計算及人工智能。

Research of sleep classification based on EOG

Wang Dandan, Xia Bin

(Shanghai Maritime University, Shanghai 201306,China)

Abstract:With the application and development of pattern recognition, automatic sleep classification is gradually replacing manual classification. In this paper, we used two algorithms, which are deep belief network (DBN) and long short-term memory recurrent neural network (LSTM-RNN), to discriminate sleep stages based on electrooculogram (EOG). LSTM-RNN(average accuracy is 83.4%) has a better performance than DBN(average accuracy is 75.6%)in automatic sleep classification based on EOG.

Key words:DBN; LSTM-RNN; automatic sleep classification; EOG