基于關系歸納偏置的睡眠分期綜述

能文鵬，陸 軍+，趙彩虹

1.黑龍江大學 計算機科學技術學院,哈爾濱150080

2.黑龍江大學 黑龍江省數據庫與并行計算重點實驗室,哈爾濱150080

+通信作者E-mail:lujun111_lily@sina.com

人類的睡眠時間大概占總生命的1/3。睡眠質量與人的身心健康直接相關，在人類生活中占有重要的地位[1]。影響人類睡眠的關鍵因素之一是睡眠障礙，如失眠、抑郁癥、嗜睡癥、帕金森病、阻塞性肺病、睡眠呼吸暫停和晝夜節律紊亂等。睡眠障礙不僅會導致白天身體機能下降，而且會對身體功能產生負面影響，如思考能力下降、警覺力與判斷力削弱、免疫功能失去平衡，甚至死亡[2]。睡眠障礙的診斷和治療的關鍵是對睡眠階段進行準確的分類，即睡眠分期。

早期的分類方法一般由經過訓練的專業人員進行視覺劃分，這種方法不僅要求該領域專家花費幾小時甚至數天的時間及精力，而且由于不同專家以及信號的非平穩性特點往往不同專家得到的結論不一致甚至同一專家在多次劃分也有差別。使用機器學習可以解決人們對于分類器以及對于部分特征選擇的難題，然而機器學習高度依賴于手工提取特征。這些人工提取的特征可解釋性比較強，并且針對某種特性分類效果明顯，但是往往不同的分類系統所需求的特征不盡相同，甚至是同一分類系統的不同數據集以及同一數據集中不同通道上的表現也有較大差距。更重要的是這些手工設計的特征往往需要研究該領域的專家花費大量時間和精力進行設計、驗證才能對特征有良好的認知及使用。這使得機器學習方法一方面對于熟悉該領域的專家是一種浪費，另一方面設計的特征也不具有通用性，在實踐中很難大面積推廣。

近年來，深度學習的快速發展為睡眠分期帶來了新的解決思路。深度學習的出現使得人們不再花費大量的時間精力去提取特征，實現了端對端的系統。深度學習方法是聯結主義，采用互相連接人工神經元對輸入進行非線性變換，這使得特征能夠以隱式的方式使用神經元之間的連接及權重表示。神經元的連接方式代表了一種特定的關系歸納偏置[3]。在深度學習中常見基本結構帶有不同的關系歸納偏置，如表1 所示。

Table 1 Relation induction bias of basic structure of neural network表1 神經網絡基本結構的關系歸納偏置

全連接層的神經元是相互連接的，因此神經元之間沒有產生偏置，關系歸納偏置非常弱。卷積層的神經元是局部連接的，因此它們的關系歸納偏置也是局部性的，具有空間不變性。循環層的神經元在時間步驟上共享，關系歸納偏置是馬爾可夫序列約束，具有時間不變性。此外深度學習中分層處理、注意力機制、跳躍連接和自編碼器等結構在基本結構的基礎上施加了額外的約束。

1 劃分標準及相關數據庫

1.1 劃分標準

多導睡眠圖（polysomnography，PSG）是一種多參數測量儀器，可以同時記錄多種生理信號，如腦電圖（EEG）、心電圖（ECG）、眼電圖（EOG）和肌電圖（EMG）等[4]。通常PSG 數據是在睡眠實驗室中通過在患者的體表放置許多電極和傳感器采集的。因此PSG 數據具有準確、全面、低噪聲等優點。一般由睡眠專家根據美國睡眠醫學學會（American Academy of Sleep Medicine，AASM）手冊[5]將PSG 數據分為5個睡眠階段:覺醒階段（wake，W）、快速眼動睡眠階段（rapid eye movements，REM）、非快速眼動睡眠階段1（non REM1，N1）、非快速眼動睡眠階段2（non REM2，N2）和非快速眼動睡眠階段3（non REM3，N3）。

1.2 公共數據庫

現階段主要使用具有統一化標準的公共數據庫。Sleep-EDF 數據庫包含兩個不同研究的子集：健康受試者的年齡效應（sleep cassette，SC）和替馬西泮對睡眠的影響（sleep telemetry，ST），共計197 條記錄[6]。SVUH-UCD 數據庫是由圣文森特大學醫院和都柏林大學學院提供，包含25 個懷疑有睡眠障礙的成年人的記錄[6]。MIT-BIH 數據庫由波士頓貝斯以色列醫院睡眠實驗室采集，包含16 條PSG 記錄[6]。MASS 數據庫包含97名男性和103名女性的200份PSG記錄[7]。ISRUC-Sleep 數據庫包括來自健康受試者、患有睡眠障礙的受試者以及在睡眠藥物作用下的受試者的99條PSG 記錄[8]。CAP 數據庫存儲了16 名健康受試者和92 名病理患者的108 項PSG 記錄[9]。

2 方法

本章給出了一個用于睡眠分期的深度學習基本框架示意圖，其中包含核心模塊神經網絡以及數據預處理、數據變換等可選的模塊，如圖1 所示。

Fig.1 Basic framework of deep learning圖1 深度學習基本框架

數據預處理不僅僅是對數據進行濾波去除噪聲，更為重要是數據平衡、數據增強。數據變換是信號處理的關鍵步驟，對生理信號進行適當的變換可以提取信號中的頻域、時頻域等與生理機能高度相關的信息。可選模塊在一定程度上減少了模型解決方案空間的復雜度，增加了模型的魯棒性，但是由于目前大量的數據和廉價的計算資源使得用樣本效率換取更靈活的學習成為一種理性的選擇。

神經網絡模塊進行信號的自動特征提取和分類，關系歸納偏置不同會導致提取的特征有一定的偏差。在一個神經網絡中可能具有多種關系歸納偏置，如同時包含卷積層、循環層、全連接和注意力機制等。但是對于睡眠信號而言，其中最關鍵和最基本的是具有平移不變性的關系歸納偏置的卷積層與具有時間不變性的關系歸納偏置的循環層。這是因為它們決定了對信號使用哪種基本假設進行特征提取，而其他的關系歸納偏置則可以作為額外的假設附加于基本假設。因此為了簡化分析難度，本文采用神經網絡中是否包含卷積層與循環層將神經網絡模塊分為卷積神經網絡框架、循環神經網絡框架和混合框架。為了進一步分析網絡框架中包含的關系歸納偏置，將信號按照時域劃分為幀、片段和序列，如圖2 所示。

Fig.2 Time domain hierarchical division of physiological signals圖2 生理信號的時域層次劃分

圖中片段為專家評分階段的最小單位長度，一般為30 s，Xt為第t片段，為第t片段中第n幀。此外本文使用X′t、Y′t表示中間變量，α、β表示不同權重，Yt表示預測標簽。

2.1 CNN 框架

卷積神經網絡（convolutional neural network，CNN）的基本思想是將局部感知和權值共享相結合，提取符合移位不變性的最小假設的任務相關特征。本文按照特征提取層次將CNN 分為三種不同的基本模型：片段模型、序列優化的片段模型和序列模型。

2.1.1 片段模型

生理信號在睡眠階段表現出不同的特征。CNN的片段模型是將片段層次信號視為獨立同分布的模型，然后使用卷積來提取特征，如圖3 所示。

Fig.3 CNN fragment model圖3 CNN 片段模型

Manzano等人[10]和Sors等人[11]直接對單通道EEG信號進行了片段層次1DCNN。Tsinalis 等人將單通道EEG 信號通過1DCNN 進行濾波后將得到的多通道拼接為二維數據并進行了2DCNN[12]。李玉花等人提出了具有多尺度和空間金字塔的CNN 模型,并在輸入數據前加入了可訓練的系數矩陣[13]。賈子鈺等人提出了自動學習原始信號的時域特征和頻域特征的多支路CNN 并通過空洞卷積和殘差連接進行多特征融合，該網絡使用兩階段方法進行訓練[14]。為了進一步提高1DCNN 的學習能力，Zhang 等人在2017 年提出了一種快速判別復值卷積神經網絡（fast discriminant complex-valued convolutional neural networks，FDCCNN）模型[15]，在2018 年提出了復值無監督卷積神經網絡（complex-valued unsupervised convolutional neural networks，CUCNN）[16]。2019 年Humayun 等人使用34 層的一維ResNet 對單通道EEG 信號進行了端對端的訓練[17]。

將一維信號分解為多個子信號或者變換為二維信號進行2DCNN 可以更進一步提取信號中的特征。Wei 等人對單通道EEG 信號進行希爾伯特黃變換[18]。Phan等人對單通道EEG信號進行短時傅里葉變換，然后使用計算匹配度的池化策略的1-Max Pooling CNN 進行分類[19]。Zhang 等人利用希爾伯特黃變換，將單通道EEG 信號轉換為時頻圖，并使用參數保持正交性質的正交卷積神經網絡（orthogonal convolutional neural network，OCNN）提高了分類性能[20]。

除使用單通道信號的方法外，還使用了具有信息冗余的多通道信號的方法。Fernández-Varela 等人使用具有多個堆棧的1DCNN 模塊對組合信號進行了分類[21]。Niroshana 等人將多個通道組合為二維信號進行了多支路多尺度的2DCNN 特征提取[22]。Phan等人將多通道信號變換為3D 信號進行2DCNN 的特征提取[23]。Olesen 等人使用了具有50 層的2DResNet對多通道信號進行端對端的訓練[24]。

2.1.2 序列優化的片段模型

生理信號不僅睡眠階段表現出不同的特征，并且在睡眠階段之間也存在狀態轉化關系。CNN 的序列優化的片段模型將當前片段的前后k階段信息聚合得到具有序列關聯的標簽，如圖4 所示。

Fig.4 CNN sequence optimized fragment model圖4 CNN 序列優化的片段模型

Chambon 等人將相鄰的前后k個片段進行特征融合[25]。Cui 等人將序列的當前段和后段重組,并基于細粒度來優化序列長度[26]。馬家睿等人通過添加殘差網絡加深卷積神經網絡層數提取高維特征，并通過狀態轉移規則優化分類結果[27]。這種方式雖然行之有效，但本質上是將多個前后相鄰的特征向量加權平均，一定程度上來說并沒有學習到真正意義上的序列轉化關系。

2.1.3 序列模型

CNN 的序列模型直接使用序列層次信號來學習信號的波形特征及狀態轉化關系，如圖5 所示。

Fig.5 CNN sequence model圖5 CNN 序列模型

Perslev 等人將在圖像分割領域的U-Net 基礎結構改進為U-time，應用于一維的原始信號[28]。具體來說，U-time 使用了編碼-解碼的卷積結構，并在同一特征層次上添加了跳躍連接恢復在編碼過程中下采樣所丟失的細節信息。該模型直接采用卷積提取到了序列層次的特征。

2.1.4 CNN 框架的關系歸納偏置

睡眠階段中出現特征波形在一個周期內關系緊密，而在遠距離之間并沒有比較明顯的信息聯系，體現了局部性。整個序列中的不同位置的特征波具有相同的規則，對應了平移不變性。本文匯總了關于CNN 框架的相關研究，如表2 所示。本文所有表中出現的“—”表示相關論文沒有使用或給出。

表2 中的片段層次列體現了在局部性和平移不變性的基礎上增加額外的歸納偏置，試圖提取更加簡單且高效的特征，并使網絡更易優化。如文獻[15]將CNN 拓展到了復數域，對卷積核施加了實部與虛部正交的決策邊界的約束，使神經網路的非線性擬合能力極大提高。文獻[18]使用二維數據的同時使用二維卷積不僅在時域提取特征，并且擴展到了時頻域。文獻[19]采用1-Max Pooling CNN 的池化策略，改善了普通池化對于信息流失的缺點。文獻[18]使用正交卷積對參數施加了正交約束，使神經網絡的參數量降低的同時提高了模型的性能，并使用通道注意力機制進行校正以得到最佳的特征組合。文獻[17,24]使用跳躍連接對網絡的信息流與梯度流的拓撲結構施加約束，使網絡具有更深更強的擬合能力的同時更容易優化。文獻[28]使用了具有自編碼器結構的CNN，并加入跳躍連接恢復池化過程中丟失的細節信息。

使用這些額外的關系歸納偏置具有不同程度的性能提升，因此這些關系歸納偏置具有一定的匹配性，但是與CNN 本身的提取能力相比提升效果比較少。如ResNet 的模型復雜但是并沒有提升很大的性能，說明簡單的CNN 模塊可以提取信號的基本特征，并且很難通過優化CNN 模塊來提升大幅度性能，而引入這些額外的關系歸納偏置會增加網絡的冗余性和復雜性。CNN 框架中網絡簡單且具有高性能的是U-time 模型，該模型使用原始信號并在序列層次上提取特征，說明序列層次的特征對于網絡分類結果具有重要意義，并且原始信號具有足夠的信息來支撐分類而不需要額外的轉化。

2.2 RNN 框架

循環神經網絡（recurrent neural network，RNN）的基本思想是增加延時單元和反饋連接，使前一狀態的信息可用于后一狀態，提取符合時間不變性的最小假設的任務相關特征。按照特征提取層次將RNN 分為三種不同的基本模型：片段模型、序列模型和多層模型。

2.2.1 片段模型

RNN 的片段模型在片段層次上學習短期序列時變特征，輸入一般是由多個幀進行數據變換或特征提取的特征向量，如圖6 所示。

Phan 等人將單通道EEG 信號分解并使用離散傅里葉變換轉換成一系列幀特征向量，然后送入RNN中并通過注意力機制聚合特征向量[29]。Michielli 等人從單通道EEG 信號中提取幀層級的時域和頻域特征，然后使用級聯結構的RNN，對N1 階段分類性能進行了增強[30]。

Table 2 CNN framework research summary表2 CNN 框架研究匯總

Fig.6 RNN fragment model圖6 RNN 片段模型

2.2.2 序列模型

RNN 的序列模型在序列層次上學習長期序列的時變特征及轉化關系，輸入一般是由多個片段進行數據變換或特征提取的特征向量，如圖7 所示。

Zhang 等人將可穿戴設備的數據進行片段特征提取，并使用雙向長短期記憶網絡（bidirectional long short-term memory，Bi-LSTM）學習序列關系[31]。Zhang等人提出了在第一個階段進行片段特征學習，在第二階段使用Bi-LSTM學習睡眠階段之間的轉化關系[32]。

2.2.3 多層模型

Fig.7 RNN sequence model圖7 RNN 序列模型

RNN 的多層模型在片段層次上學習短期序列時變特征，并且在序列層次上學習長期序列時變特征及轉化關系，輸入一般是由多個幀進行數據變換或特征提取的特征向量，如圖8 所示。

Phan等人提出學習兩個層次特征的SeqSleepNet[33]。該網絡首先將組合信號經過短時傅里葉變換為二維時頻圖，然后使用頻域濾波器進行幀層次特征提取后送到片段層級Bi-GRU，并通過注意力進行信息融合，最后送到序列層級Bi-GRU 進行序列到序列的學習。

2.2.4 RNN 框架的關系歸納偏置

時間不變性反映了序列轉化關系與時間無關，如從W 階段過渡到N1 或N2 階段與睡眠階段發生時的時間無關。馬爾可夫結構對序列中的位置施加偏差反映了多個狀態之間的轉化關系，比如W 階段經常過渡到N1 和N2 階段，但很少過渡到N3 或REM 階段。事實上，睡眠的所有階段都高度依賴于前一階段。本文匯總了關于RNN 框架的相關研究，如表3所示。

Fig.8 RNN multi-layer model圖8 RNN 多層模型

Table 3 RNN framework research summary表3 RNN 框架研究匯總

表3 中的片段層次列和序列層次列體現了在時間不變性的基礎上增加額外的歸納偏置，來匹配序列的特性。如循環層的變體通常施加前向和后向的序列轉化信息，盡管睡眠階段并不是一個對稱的變化關系，比如N1階段很可能轉化為N2階段，但是N2階段很少轉化到N1 階段。此外睡眠階段的狀態轉化關系并不是一個隨機的過程，文獻[26,31]使用序列注意力機制可以將狀態轉化關系以權重關系進行組合優化。

從表3 中可以看到對于Sleep-EDF 數據集僅使用序列層次的RNN 相對于僅使用片段層次的RNN 性能有所提升。對于多層模型的表現超過了僅使用片段或序列層級的RNN，雖然并不是同一數據集，但是現有方法通常在MASS 數據集上比Sleep-EDF 數據集上更加難以分類。因此對于序列的特征提取使用多層的形式更加匹配生理信號的特征。

2.3 混合框架

CNN 非常適合提取時不變特征，而RNN 非常適合提取時變特征，包括短期的片段層級以及長期的序列層級特征，因此很自然地可以將CNN 和RNN 結合起來共同學習。按照特征提取層次將混合框架分為三種不同的基本模型：片段CNN/RNN 混合模型、幀CNN-片段RNN 混合模型和片段CNN-序列RNN混合模型。

2.3.1 片段CNN/RNN 混合模型

該模型使用片段層次的CNN 和RNN 共同學習時變特征和時不變特征，如圖9 所示。

該模型沒有用到序列層次的特征關系，很難預測到狀態之間的潛在轉化規則。Huang 等人對單通道EEG 信號使用了兩支路不同尺度的CNN 提取全局特征和局部特征來共同學習時不變特征，并且在并行的另一支路使用LSTM 學習時序特征[34]。

2.3.2 幀CNN-片段RNN 混合模型

該模型使用幀層次的CNN提取最小的局部特征，使用片段層級RNN 提取時不變特征，如圖10 所示。

Fig.9 Fragment CNN/RNN hybrid model圖9 片段CNN/RNN 混合模型

Fig.10 Frame CNN-fragment RNN hybrid model圖10 幀CNN-片段RNN 混合模型

該模型也沒有用到序列層次的特征關系，并且由于使用幀層次的CNN 無法感知片段層次的局部不變性，丟失重要特征信息。如紡錘波通常在一個片段內才具有一個完整的周期，而幀中只能得到局部的波形。該方法通常進行幀層次的CNN 特征提取，然后將不同幀的特征向量送入到片段層次的Bi-LSTM 中學習長期的時變特征。

2.3.3 片段CNN-序列RNN 混合模型

該模型通過使用CNN 提取片段層次的時不變特征，以及RNN 提取序列層次的時變特征可以將序列中粗粒度的信息提取出來，如圖11 所示。

Fig.11 Fragment CNN-sequence RNN hybrid model圖11 片段CNN-序列RNN 混合模型

Yang 等人[35]提出使用多尺度卷積核提取片段層次信息和RNN 提取序列層次信息的混合神經網絡。盡管如此，該方法仍然在細粒度上有所不足，因此研究者們提出了很多基于此框架的變體，例如使用多支路多尺度的卷積核來提取不同尺度的局部信息[36]；對原始信號進行特征矩陣構建得到二維數據[37]；使用時頻變換來補充CNN 對于頻域特征的提取能力[38]；使用注意力機制來校正不同通道之間的權重[38]；使用帶有殘差的RNN 來增強片段與序列層次的特征融合[39]；使用具有自編碼器結構的RNN 來增強序列層次的轉化關系[40]；使用具有殘差連接的深層CNN 來增強卷積特征提取能力[41]。

2.3.4 混合框架的關系歸納偏置

混合框架包含了卷積層和循環層的關系歸納偏置，在不同層次不同分支中使用不同的關系歸納偏置，可以避免因使用單一的關系歸納偏置而導致特征提取不完備的缺點。本文匯總了關于混合框架的相關研究，如表4 所示。

表4 中主要網絡結構使用不同層次的不同關系歸納偏置來匹配序列特性的同時，使用一些額外的歸納偏置來增強網絡性能，如跳躍連接、注意力機制和自編碼器等。文獻[34]使用并行的不同支路的關系歸納偏置基本結構來同時學習時變特征和時不變特征。文獻[38]使用片段層次的通道注意力和序列層次的時間注意力來對特征的重要程度進行校準。文獻[39]使用改進的跳躍連接將CNN 提取片段層次特征添加到RNN 的輸出，使CNN 和RNN 都可以直接從損失函數中獲取梯度。文獻[40]使用具有自編碼器結構的雙向RNN 對序列長期信息進行編碼。文獻[41]使用深度網絡來提取片段層次的時不變特征。

在表4 中由于數據集不同導致沒法直接比較不同網絡結構的直接表現，但是這些研究均比同期方法在性能上具有較大提升。在使用匹配的多層次不同的關系歸納偏置時，網絡的性能會有提升，尤其是當網絡中出現具有新的關系歸納偏置時。如僅CNN不如CNN 與RNN 共同學習，僅片段層次不如片段層和序列層次共同學習。此外在具有相同的層次及基本關系歸納偏置時，加入匹配的額外的歸納偏置會提升性能，如文獻[40]相比文獻[39]加入了自編碼器結構以后效果提升了0.02。

3 討論

3.1 深度學習框架的關系歸納偏置

現有的框架使用不同的關系歸納偏置來提取生理信號的特征，但是并沒有在信號的所有層次上使用匹配的關系歸納偏置，這可能導致信息提取方式不完備。本文中的一個脈絡是隨著對于信號的不斷細分并施加與之匹配的關系歸納偏置會帶來性能的提升，并且在施加一定的額外關系歸納偏置時也能帶來小幅度提升，這取決于能否帶來更優的組合方式。因此本文認為設計深度學習框架需要引入與任務相匹配的關系歸納偏置，特別的，應該將信號以某種方式進行分解，然后在對應的子集中施加與之匹配的關系歸納偏置。對信號進行時域的劃分是目前使用最廣的一種方式，本節列出了對于信號不同層次中使用的最基本的關系歸納偏置，如表5 所示。

Table 4 Hybrid framework research summary表4 混合框架研究匯總

Table 5 Relational induction bias in different levels of signal表5 信號的不同層次中的關系歸納偏置

幀層次CNN 模塊使用較小卷積核提取信號中的細節特征，如幅值、相位及斜率等信號基本屬性。片段層次CNN 模塊使用較大卷積核提取信號中的波形特征，如K-復合波、紡錘體及各種節律等信號波形特征。片段層次RNN 模塊學習來自幀層次不同時間的細節特征之間的時變特征。序列層次的輸入將來自幀層次細節特征、片段層次波形特征及片段層次時變特征進行聚合，然后使用RNN 學習信號在序列層次上的轉化關系。

3.2 深度學習的優越性

深度學習是基于對數據進行表征學習的方法，并將特征學習融入到建立模型的過程中，從而減少了人為設計特征造成的不完備性。從概念上講，深度學習從信息減少轉向知識提取，即強調最小化先驗表征和計算假設，并避免明確的結構和手工設計結構，遵循端對端的設計理念。相對人類分類方法或傳統機器學習方法，基于深度學習的睡眠分期系統具有高效實時準確的分類性能，并且不需要人工設計特征，更適合實際應用，如長期睡眠階段監測。

3.3 深度學習的局限性

深度學習是數據驅動的，需要大量的睡眠分期階段數據訓練，必須對信號進行大量的準確標記，而在長遠規劃中是很難實現的。當只能提供有限數據時，深度學習算法不能夠對數據的規律進行無偏差的估計。深度學習經常遵循獨立同分布（independent and identically distributed，IID）的數據假設，IID 數據具備統計學理論中的強泛相合性，這確保深度學習算法可以最小風險獲得收斂。但是當數據不再遵循IID 假設時，如僅使用片段層次信號，則深度學習算法將很難準確地解決這類問題。此外深度學習需要大量的計算資源進行訓練。

對于睡眠分期來說，如何進一步引入匹配的關系歸納偏置適應相應任務尚未可知。深度學習強調最小化先驗表征和計算假設，這與人類智慧更偏向于提取抽象的表達并不相同。人類能夠以一種更加統一的方式進行學習，而不是為每個任務單獨學習一組獨立的參數。在解決實際問題時，人類通常會將隱性知識與顯性語言化知識結合起來。然而，深度學習試圖將所有知識通過隱式的先驗表征和計算假設進行編碼至可學習的參數中。這將導致設計上的困難：對于人類十分簡單的顯性表達并不能容易地轉化成深度學習的形式。這對于驗證引入的關系歸納偏置是否與任務相匹配增加了巨大的難度。

3.4 未來方向

目前易于獲取的數據以及低成本的計算資源使深度學習成為主流的睡眠分期方法，但是由于全監督的深度學習依賴于人工標記，這對于具有個體差異的個人而言很難實現，無法應用于精準的個性化分類。使用大數據集進行預訓練以后再對個人實現微訓練的半監督方式，甚至是開發無監督的深度學習方法可以緩解這種困境。單信號完全具有足夠的信息以支持理想系統的分類，因此開發基于單信號的準確自動分期系統是一個重要研究方向。由于采集PSG 數據只能在實驗室進行，因此使用可穿戴設備的數據在長期監控病人的睡眠階段具有重要意義。將深度學習模型參數量減少到可以植入移動設備是實時睡眠分期系統的關鍵。

深度學習模型的輸入到輸出的直接幾何變形和人類思考和學習的方式有本質上的區別。人類從自我認知和對外界的經驗認識中不斷學習，這和機器學習的學習路徑不同，除了不同的學習過程之外，底層表征的性質存在根本性差異。對于深度學習而言，或許需要更加高級的關系歸納偏置對人類的知識進行更加抽象的表達是未來可研究的方向。因此，目前深度學習方法并不具有類人的學習能力，將深度學習與其他人工智能方案相結合或許是未來的發展方向。如基于獎懲機制的強化學習系統，基于進化策略的進化學習，基于任意關系歸納偏置的圖神經網絡，基于可復用和模塊化子程序的元學習系統，基于非平凡條件獨立性屬性的因果關系推理系統。

4 結束語

本文回顧了深度學習在睡眠分期中的應用，通過分析框架的基本關系歸納偏置，將其分為三類:卷積神經網絡框架、循環神經網絡框架和混合神經網絡框架。根據這些方法中使用的關系歸納偏置及其表現出的優缺點，認為設計深度學習框架需要引入與任務相匹配的歸納偏置。現有框架使用不同的關系歸納偏置來提取生理信號的特征，但是并沒有在信號所有層次上使用匹配的關系歸納偏置，這可能導致信息提取方式不完備，從而帶來模型的理論性能上限。目前深度學習與人類學習之間存在著根本性的差異。未來可能需要更加高級的關系歸納偏置對知識進行更加抽象的表達并與其他人工智能技術相結合。