资料下载
如何使用生成少数类技术进行深度自动睡眠分期模型设计说明
分享资料个
针对现阶段可用睡眠脑电数据皆为类不平衡小数据集，深度学习模型的直接迁移应用所取得的分期效果较差的问题，分别从数据集重构和模型训练优化两方面入手，提出可用于少量类不均衡原始睡眠脑电数据集的深度自动睡眠分期模型。首先，从减少决策域的角度对修改的生成少数类过采样技术（ MSMOTE）进行改进，并将其用于数据集中少数类的生成；然后，用重构后的数据集对模型作预激活处理。15折交叉验证得出总体精度和宏Fl值分别为86.73%和81. 70%。应用改进后的MSMOTE重构的数据集对模型作预激活，可使最小类的Fl值由45.16%增至53. 64%。实验表明，模型可实现对少量原始睡眠脑电数据的端到端学习，总体分类效果优于近年高水平模型，适用于配备远程服务器的分体式便携睡眠监测设备。
近年来深度学习在图像识别、自然语言处理以及语音识别领域已有大量成熟的应用。在经大量注释的数据集训练后，基于深层神经网络的机器学习模型，能够接近并超过人类专家水平。尤其在医学成像识别中，得益于可直接应用现存大型图像数据集对模型进行预训练，这种优越性更为突出。在时序信号处理方面，卷积神经网络和递归神经网共同构建的网络模型已成功应用于语音识别和自然语言处理中。9 -10］。虽然受限于目前包括自动睡眠分期在内的绝大多数领域都无法提供足量的数据，仍有少量团队将深度学习模型应用于自动睡眠分期，实现了端到端睡眠自动分期，但是由于类不平衡小数据集在深度学习中的局限性，以及未应用最新的深度学习优化技术，分类精度仍有很大的提升空间。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
