采用小波变换和双向长短期记忆网络的脑电睡眠分期模型

针对睡眠生理信号采集难度大、睡眠分期精度低的问题，提出一种采用小波变换和双向长短期记忆网络的脑电睡眠分期模型。首先使用连续小波变换提取睡眠脑电的时频图；然后使用卷积神经网络从脑电信号的时频图中提取睡眠相关的脑电特征，作为单个睡眠片段的分期依据，再使用双向长短期记忆网络进一步提取睡眠片段之间的状态转换规则；最后利用深度学习方法建立特征、规则与睡眠阶段的映射，使用数据扩充和两步训练法训练模型，削弱数据不均衡的影响，完成连续片段的睡眠分期。采用SHHS公开数据库的5 793名被试者的睡眠脑电数据对该模型进行验证，实验结果表明，睡眠分期准确率达到85.82%,整体F1达到78.39,Kappa系数达到0.799,和现有方法相比性能明显提升。