采用小波變換和雙向長短期記憶網絡的腦電睡眠分期模型

睡眠是人類最重要的生理活動之一,擁有正常睡眠對維持大腦穩定和人的身心健康十分重要。世界衛生組織調查顯示,27%的人有睡眠問題。研究表明,睡眠異常是心血管病、肥胖癥、抑郁癥和焦慮癥等多種疾病的誘因

。因此,睡眠障礙已經成為威脅世界公眾的突出問題。

睡眠分期是睡眠異常診斷的重要手段。在臨床上,專業睡眠醫師通過采集病人的多導睡眠圖(PSG),并依照美國睡眠醫學學會AASM睡眠分期標準

進行人工睡眠分期,分為快速眼動期(REM)、非快速眼動1期(N1)、非快速眼動2期(N2)、非快速眼動3期(N3)、清醒期(W),但是人工睡眠分期效率較低、成本高昂

。有許多基于多導信號進行自動睡眠分期的研究。Kuo等從腦電、心電、眼電信號中提取多種特征,使用堆疊的長短期記憶網絡(LSTM)構建了睡眠分期模型

,實驗中的最佳準確率達到83.7%;Patanaik等使用短時傅里葉變換從多通道腦電和眼電信號中提取時頻圖,并使用深度卷積神經網絡(CNN)和多層感知機構建模型

,能夠進行實時睡眠分期;Phan等同樣使用短時傅里葉變換從多通道生理信號中提取時頻圖,并使用濾波器組和帶注意力機制的雙向循環神經網絡(RNN)構建了SeqSleepNet模型

,在小數據集上準確率達到87.1%;Perslev等

和Jia等

分別使用U型結構的深度神經網絡模型來捕獲腦電和眼電信號中的顯著特征和睡眠狀態轉換規則,能夠有效進行睡眠分期。基于多導生理信號的睡眠分期模型,雖然能夠得到較高的準確率,但是由于采集的信號較多,計算復雜度較大,故采用單通道生理信號進行睡眠分期,保證相同水平的準確率,同時降低生理信號采集難度、減小計算復雜度,是一個值得探索的方向