金歡歡，尹海波，何玲娜

(1.浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，杭州 310023； 2.哈爾濱工業(yè)大學(xué) 航天學(xué)院，哈爾濱 150001)

0 引言

睡眠分期對研究睡眠相關(guān)疾病[1]具有重要意義。睡眠分期通常由有經(jīng)驗(yàn)的睡眠分期專家，依據(jù)睡眠分期規(guī)則手動(dòng)完成睡眠各階段的劃分和統(tǒng)計(jì)。人工睡眠分期需要大量的專業(yè)人才和時(shí)間，可普及性較差，因此自動(dòng)睡眠分期一直是睡眠分期研究的重要方向。

自動(dòng)睡眠分期的研究多基于睡眠腦電信號[2]。對原始數(shù)據(jù)的預(yù)處理、針對數(shù)據(jù)集特點(diǎn)設(shè)計(jì)所要提取的特征、將提取的特征輸入分類器進(jìn)行類別劃分是近年自動(dòng)睡眠分期研究的三個(gè)關(guān)鍵點(diǎn)。其中針對特定數(shù)據(jù)集的人工特征設(shè)計(jì)，是制約分類效果的關(guān)鍵因素[3]。人工設(shè)計(jì)的特征雖然針對特定數(shù)據(jù)集效果較好，但是由于需針對性嘗試設(shè)計(jì)特征，具有很強(qiáng)的主觀性，無法實(shí)現(xiàn)對原始睡眠腦電數(shù)據(jù)的端到端學(xué)習(xí)[4]。

近年來深度學(xué)習(xí)在圖像識別、自然語言處理以及語音識別領(lǐng)域已有大量成熟的應(yīng)用。在經(jīng)大量注釋的數(shù)據(jù)集訓(xùn)練后，基于深層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型，能夠接近并超過人類專家水平[5-6]。尤其在醫(yī)學(xué)成像識別中，得益于可直接應(yīng)用現(xiàn)存大型圖像數(shù)據(jù)集對模型進(jìn)行預(yù)訓(xùn)練，這種優(yōu)越性更為突出[7-8]。在時(shí)序信號處理方面，卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)共同構(gòu)建的網(wǎng)絡(luò)模型已成功應(yīng)用于語音識別和自然語言處理中[9-10]。雖然受限于目前包括自動(dòng)睡眠分期在內(nèi)的絕大多數(shù)領(lǐng)域都無法提供足量的數(shù)據(jù)，仍有少量團(tuán)隊(duì)將深度學(xué)習(xí)模型應(yīng)用于自動(dòng)睡眠分期[11-12]，實(shí)現(xiàn)了端到端睡眠自動(dòng)分期，但是由于類不平衡小數(shù)據(jù)集在深度學(xué)習(xí)中的局限性，以及未應(yīng)用最新的深度學(xué)習(xí)優(yōu)化技術(shù)，分類精度仍有很大的提升空間。

本文在這些技術(shù)的基礎(chǔ)上，分別從對類不平衡小數(shù)據(jù)集中少數(shù)類的擴(kuò)增，以及應(yīng)用深度學(xué)習(xí)模型優(yōu)化技術(shù)對模型訓(xùn)練進(jìn)行優(yōu)化兩方面入手，來完成高分類精度端到端自動(dòng)睡眠分期模型的構(gòu)建。在類不平衡小數(shù)據(jù)集的處理方面，對修改的生成少數(shù)類過采樣技術(shù)(Modified Synthetic Minority Oversampling Technique, MSMOTE)[13]進(jìn)行改進(jìn)，并將其應(yīng)用于高維度、多分類腦電數(shù)據(jù)集中少數(shù)類的過采樣。在訓(xùn)練方法的優(yōu)化方面，仿照遷移學(xué)習(xí)中的兩步訓(xùn)練法，將擴(kuò)增后的類平衡數(shù)據(jù)集用于預(yù)訓(xùn)練，原始數(shù)據(jù)集用于微調(diào)。此外還應(yīng)用如殘差連接(Residual Connections)[14]、批歸一化(Batch Normalization, BN)[15]、Swish激活函數(shù)[16]等技術(shù)，進(jìn)一步對模型進(jìn)行優(yōu)化。最終實(shí)現(xiàn)可用于類不平衡小數(shù)據(jù)集的端到端自動(dòng)睡眠分期模型。

1 模型結(jié)構(gòu)及技術(shù)介紹

1.1 自動(dòng)特征提取部分

本文提出的自動(dòng)睡眠分期模型由三部分組成，如圖1所示，在圖1中依次標(biāo)示為Part1、Part2、Part3。

圖1 模型結(jié)構(gòu)圖及重要參數(shù)

該模型的第一部分(Part1)主要作用為自動(dòng)特征提取。Part1采用三個(gè)獨(dú)立的卷積神經(jīng)網(wǎng)絡(luò)對序列進(jìn)行并行特征提取。為了從數(shù)據(jù)集中捕獲全局信息，按照一定步幅對這三個(gè)卷積神經(jīng)網(wǎng)絡(luò)的第一層卷積核尺寸進(jìn)行設(shè)定。在每個(gè)卷積層的卷積運(yùn)算之后，依次進(jìn)行批歸一化、應(yīng)用Swish自門控激活。最后對并行卷積神經(jīng)網(wǎng)絡(luò)提取的時(shí)不變特征進(jìn)行連接(Concat)操作。采用與殘差網(wǎng)絡(luò)結(jié)構(gòu)中類似的方式來構(gòu)建殘差網(wǎng)絡(luò)，進(jìn)一步對卷積神經(jīng)網(wǎng)絡(luò)部分進(jìn)行優(yōu)化；通過這種結(jié)構(gòu)，信息可以在較深的神經(jīng)網(wǎng)絡(luò)中更有效地傳播，進(jìn)而達(dá)到優(yōu)化訓(xùn)練的目的。

作為深度學(xué)習(xí)模型核心結(jié)構(gòu)之一，深度神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的選擇極其重要；即使所使用激活函數(shù)性能只有微小的提升，也會(huì)由于它的大量使用而獲得巨大的性能提升。本文模型使用Swish函數(shù)作為激活函數(shù)。Swish激活函數(shù)的設(shè)計(jì)，主要受到高速網(wǎng)絡(luò)(Highway Network)和長短期記憶網(wǎng)絡(luò)(Long Short Term Memory, LSTM)中使用 Sigmoid 函數(shù)作為門控所啟發(fā)。谷歌大腦團(tuán)隊(duì)通過使用相同值進(jìn)行門控，完成門控機(jī)制簡化，并將其稱為自門控(Self-Gating)。相較于傳統(tǒng)門控，自門控最大的優(yōu)勢是僅需要輸入單個(gè)簡單標(biāo)量。這種優(yōu)勢令使用自門控的Swish激活函數(shù)，可輕易在程序中取代用單個(gè)標(biāo)量進(jìn)行輸入的激活函數(shù)，如現(xiàn)在廣泛使用的修正線性單元(Rectified Linear Unit, ReLU)激活函數(shù)，并且不需對參數(shù)的隱藏?cái)?shù)量或容量進(jìn)行改變。Swish函數(shù)和ReLU函數(shù)的數(shù)學(xué)表達(dá)式如下：

(1)

ReLU(x)=max(x,0)

(2)

圖2為兩種激活函數(shù)曲線對比。

圖2 Swish和ReLU函數(shù)曲線對比

Swish激活函數(shù)形式極其簡單，且具有非單調(diào)、平滑等特性；這些優(yōu)勢理論上使Swish成為優(yōu)于ReLU的激活函數(shù)，并且谷歌大腦團(tuán)隊(duì)通過大量相關(guān)實(shí)驗(yàn)得出：在不改變針對ReLU設(shè)計(jì)的超參的情況下，用Swish 直接替換ReLU，可以在總體上提升深度神經(jīng)網(wǎng)絡(luò)的分類精度和收斂速度[16]。本文會(huì)在4.3節(jié)對兩種激活函數(shù)應(yīng)用于本文模型中的效果進(jìn)行對比。

1.2 時(shí)間信息解碼部分

第二部分是由兩層雙向門限循環(huán)單元構(gòu)建的遞歸神經(jīng)網(wǎng)絡(luò)，和含有池化層的捷徑連接，共同構(gòu)成的序列殘差學(xué)習(xí)框架。該框架可從時(shí)不變特征中學(xué)習(xí)時(shí)間信息特征，并完成時(shí)不變特征與時(shí)間信息特征的融合。具體結(jié)構(gòu)及部分參數(shù)如圖1中Part2所示。

門限循環(huán)單元(Gated Recurrent Unit, GRU)是LSTM的一個(gè)變化極大的變體。GRU除擁有 LSTM的優(yōu)點(diǎn)外，相較于LSTM具有更少的參數(shù)，出現(xiàn)過擬合問題的概率更小，處理同樣的問題收斂所用時(shí)間更少。

本文模型使用雙向GRU構(gòu)建的遞歸神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)時(shí)間序列中的時(shí)間信息特征。雙向GRU結(jié)構(gòu)相對于單向GRU，可以通過兩個(gè)GRU獨(dú)立處理前向和后向輸入序列來擴(kuò)展GRU；前向和后向GRU的輸出彼此之間沒有連接，因此該模型能夠利用時(shí)間點(diǎn)前后兩側(cè)的信息。

此外本文模型中的七個(gè)捷徑連接都使用了最大池化層。這樣一方面可對輸入的時(shí)不變特征進(jìn)行維度變換；另一方面可大幅減少參數(shù)數(shù)量，進(jìn)而減少訓(xùn)練過程中的過擬合。

1.3 分類器

第三部分(圖1中Part3)是完全連接的Softmax層。本層位于模型的最后階段，具體的來說就是：第二部分產(chǎn)生的復(fù)合特征形成模型的倒數(shù)第二層，經(jīng)過Dropout[17]隨機(jī)丟棄部分神經(jīng)元，然后被饋送到完全連接的Softmax層以產(chǎn)生分類。圖1中兩個(gè)全連接的Softmax層(Softmax-1、Softmax-2)分別用于預(yù)訓(xùn)練和微調(diào)(3.1節(jié)的模型訓(xùn)練方法部分會(huì)詳細(xì)介紹)。

2 實(shí)驗(yàn)數(shù)據(jù)及數(shù)據(jù)生成技術(shù)

2.1 實(shí)驗(yàn)數(shù)據(jù)及分析

采用PhysioBank的公開基準(zhǔn)睡眠數(shù)據(jù)(Sleep-EDF數(shù)據(jù)集)作為實(shí)驗(yàn)數(shù)據(jù)，Sleep-EDF數(shù)據(jù)集包含20名25～34歲的健康志愿者(男女各一半)的多導(dǎo)睡眠圖(Polysomnography, PSG)記錄，實(shí)驗(yàn)過程沒有使用任何藥物，實(shí)驗(yàn)周期為兩個(gè)晝夜(約40 h)，采樣頻率為100 Hz。由于原數(shù)據(jù)集中的一個(gè)文件(SC4132E0.npz)已經(jīng)損壞，實(shí)驗(yàn)數(shù)據(jù)集共包含39個(gè)文件。人工標(biāo)記時(shí)，將PSG劃分為30 s(即3 000個(gè)采樣點(diǎn))一段，然后由睡眠專家根據(jù)睡眠分期標(biāo)準(zhǔn)進(jìn)行人工標(biāo)記。本文使用Fpz-Cz通道的原始腦電數(shù)據(jù)對模型進(jìn)行評估。使用最新的美國睡眠醫(yī)學(xué)學(xué)會(huì)(American Academy of Sleep Medicine, AASM)標(biāo)準(zhǔn)。依據(jù)AASM標(biāo)準(zhǔn)整個(gè)睡眠監(jiān)測過程由3個(gè)階段組成，分別是清醒(Wake, W)期、非快速動(dòng)眼(Non-Rapid Eye Movement, NREM)期和快速動(dòng)眼(Rapid Eye Movement, REM)期。其中NREM期又細(xì)分為淺睡一(NREM1, N1)期、淺睡二(NREM2, N2)期和慢波睡眠(NREM3, N3)期。表1為睡眠專家人工分類結(jié)果。

表1 睡眠專家對數(shù)據(jù)的分類及各期比例

通過表1中各分類占總數(shù)據(jù)的比例可知，該睡眠數(shù)據(jù)集為類不均衡數(shù)據(jù)集，且占比最小的類為N1期(僅為6.63%)。原始數(shù)據(jù)中出現(xiàn)類不均衡是分類任務(wù)中的典型問題，通常以少數(shù)類占總數(shù)的10%到20%為類不平衡研究對象。事實(shí)上若實(shí)驗(yàn)所用數(shù)據(jù)集較大，無論是少數(shù)類還是多數(shù)類都有足夠的數(shù)據(jù)用于訓(xùn)練，類不平衡的影響可忽略，但是本文采用數(shù)據(jù)集較小，類不均衡會(huì)造成模型對于少數(shù)類的分類精度較差。通常是通過復(fù)制來完成少數(shù)類的過采樣，進(jìn)而完成類平衡數(shù)據(jù)集的構(gòu)建，以減少對類不均衡小數(shù)據(jù)集中的少數(shù)類的影響，但復(fù)制重構(gòu)后的數(shù)據(jù)集用于訓(xùn)練極易出現(xiàn)過擬合問題。

2.2 構(gòu)建類平衡數(shù)據(jù)集

本文對MSMOTE進(jìn)行改進(jìn)，并將其應(yīng)用于高維度多分類數(shù)據(jù)集的擴(kuò)增，進(jìn)而完成多分類數(shù)據(jù)集中少數(shù)類的過采樣，最終生成類平衡數(shù)據(jù)集。MSMOTE將少數(shù)類分為安全類、邊界類、噪聲類，并對安全類和邊界類進(jìn)行擴(kuò)增，MSMOTE對于低維數(shù)據(jù)的生成效果較好?？紤]到本文所使用的睡眠數(shù)據(jù)為高維數(shù)據(jù)(3 000維)，強(qiáng)化各類邊界所起到的作用不明顯，還會(huì)產(chǎn)生部分不屬于任何分類的新數(shù)據(jù)，干擾最終的訓(xùn)練效果。對MSMOTE進(jìn)行改進(jìn)，只對少數(shù)類中的安全類進(jìn)行擴(kuò)增；并從控制擴(kuò)增后少數(shù)類樣本區(qū)域范圍(決策域)的角度出發(fā)，對安全類中新樣本的生成算法進(jìn)行修改。具體修改如下：

1)以N1期的一個(gè)新樣本newS的生成為例，通過k鄰近算法確定屬于N1的安全類樣本。

2)隨機(jī)選取一個(gè)安全類樣本S[i]，從S[i]的3 000個(gè)維度中隨機(jī)選取500個(gè)進(jìn)行修改,修改后的維度與未修改的剩余2 500維重新組合，生成屬于N1的新樣本newS。

3)若待修改的數(shù)據(jù)S[i][d](位于S[i]的第d維)，判斷S[i]為安全類的k個(gè)鄰近點(diǎn)的第d維的數(shù)據(jù)分別用N1d、N2d…、Nkd表示，從S[i][d]、N1d、N2d…、Nkd中任意選取一個(gè)數(shù)來作為新生成的newS的第d維數(shù)值。

修改后的新的少數(shù)類生成過采樣技術(shù)稱為維度修改生成少數(shù)類過采樣技術(shù)(Dimension Modified Synthetic Minority Oversampling Technique, DMSMOTE)，DMSMOTE偽代碼如下：

輸入：T個(gè)少數(shù)類樣本；DMSMOTE生成的樣本數(shù)N；鄰近數(shù)k。

輸出：生成的N個(gè)少數(shù)類樣本。

k=鄰近樣本數(shù)；numdimens= 樣本維度數(shù)；S[][]：原始少數(shù)類樣本；newindex：生成樣本的索引號，初值為0；newS[][]：生成樣本數(shù)組。

*(計(jì)算每個(gè)少數(shù)類的k個(gè)鄰居，對安全類進(jìn)行擴(kuò)充)*

fori← 1 toTdo

計(jì)算第i個(gè)少數(shù)類樣本的k個(gè)鄰近樣本的同類鄰近數(shù)，將同類鄰近樣本的索引值保存在nnarray中。

if(type==2)

//type=0,1,2；其中2代表安全類

Populate(N,i,nnarray)

end if

end for

RandomSelect(chooseList)

*(從該安全類和其所有鄰居的第d維數(shù)據(jù)中隨機(jī)選取一個(gè)數(shù)據(jù))*

從1到k+1中隨機(jī)生成一個(gè)隨機(jī)數(shù)，叫作i

returnchooseList[i-1]

Populate(N,i,nnarray)

*(從該安全類S[i]和其所有鄰居中產(chǎn)生少數(shù)類樣本)*

whileN≠0 do

cdimens=需要改變的維度數(shù)

flag[numdimens]：flag== 1 表示該維度不需要改變，初值為0

forattr← 1to(numdimens-cdimens) do

//保留原安全類中numdimens-cdimens個(gè)不同維度的數(shù)據(jù)

//不變

newS[newidex][d] =S[i][d] //隨機(jī)選取一個(gè)在1和

//numdimens之間的數(shù)d，且flag[d]≠1

flag[d] = 1

end for

ford← 1 tonumdimensdo

ifflag[d]≠1

//從該安全類和其所有鄰居的第d維的數(shù)據(jù)組成的列表中

//隨機(jī)選取一個(gè)數(shù)據(jù)作為新生成樣本newS的第d維數(shù)據(jù)值

chooseList= [S[i][d],S[nnarray[0][d] ,

S[nnarray[1][d],…,S[nnarray[k][d]]

newS[newindex][d]= RandomSelect(chooseList)

end if

end for

newindex++

N=N-1

end while

returnnewS

3 模型訓(xùn)練及參數(shù)設(shè)定

3.1 模型訓(xùn)練方法

理論上，深度學(xué)習(xí)模型性能會(huì)隨著網(wǎng)絡(luò)深度的加深而增強(qiáng)，但是更深的網(wǎng)絡(luò)也意味著需要更大的數(shù)據(jù)集來支撐訓(xùn)練。目前絕大多數(shù)領(lǐng)域都無法提供足量的數(shù)據(jù)，遷移學(xué)習(xí)的引入，為數(shù)據(jù)相似度較高的領(lǐng)域提供了數(shù)據(jù)共享[18-19]的可能性。本文仿照遷移學(xué)習(xí)方法對模型進(jìn)行訓(xùn)練，首先將經(jīng)DMSMOTE擴(kuò)增后的類平衡數(shù)據(jù)集用于對模型進(jìn)行預(yù)訓(xùn)練，然后使用未經(jīng)任何處理的原始順序數(shù)據(jù)集對預(yù)訓(xùn)練后的模型進(jìn)行微調(diào)。本文模型進(jìn)行預(yù)訓(xùn)練的主要目的為學(xué)習(xí)類平衡數(shù)據(jù)集的結(jié)構(gòu)，使卷積層權(quán)值靠近較優(yōu)的(保持在有高梯度區(qū)間內(nèi))局部最優(yōu)解，以便能夠有效地對權(quán)值進(jìn)一步微調(diào)。訓(xùn)練過程中使用基于小批量梯度下降的自適應(yīng)動(dòng)量估計(jì)(Adaptive moment estimation, Adam) 優(yōu)化器對網(wǎng)絡(luò)權(quán)值進(jìn)行更新。

圖3為具體訓(xùn)練流程。

1)使用經(jīng)DMSMOTE擴(kuò)增后的類平衡數(shù)據(jù)集，對整個(gè)模型進(jìn)行預(yù)訓(xùn)練。保留預(yù)訓(xùn)練最后一個(gè)歷元中part1和part2的神經(jīng)網(wǎng)絡(luò)權(quán)值，并將其作為微調(diào)初值。

2)將用于預(yù)訓(xùn)練的Softmax-1(圖1)及其全連接層(dense-1)，置換為用于微調(diào)的Softmax-2及dense-2。

3)使用原始順序數(shù)據(jù)集，對置換了全連接及Softmax層的模型進(jìn)行微調(diào)。

圖3 模型訓(xùn)練方法解析

3.2 參數(shù)設(shè)定

參數(shù)設(shè)定是影響實(shí)驗(yàn)效果的關(guān)鍵因素。為了對不同層次時(shí)不變特征進(jìn)行提取，按照一定步幅，對圖1中三個(gè)獨(dú)立的卷積神經(jīng)網(wǎng)絡(luò)中第一層卷積運(yùn)算的卷積核尺寸進(jìn)行設(shè)定。圖1中標(biāo)示了各卷積運(yùn)算的卷積核大小、卷積核個(gè)數(shù)、步長(如 “conv 50，64，6”表示卷積核尺寸為50，個(gè)數(shù)為64，卷積運(yùn)算步長為6 )。對于卷積運(yùn)算中的補(bǔ)零(pading)規(guī)則，參數(shù)將全部設(shè)置為“SAME”。除此之外，圖1中還標(biāo)示了池化層中的池化尺寸和步長，全連接層和遞歸神經(jīng)網(wǎng)絡(luò)層的單元(cell)個(gè)數(shù)。

預(yù)訓(xùn)練的學(xué)習(xí)率設(shè)置為0.001，Adam優(yōu)化器中參數(shù)beta1、beta2分別為0.9和0.999。預(yù)訓(xùn)練的歷元(epoch)數(shù)為90，一個(gè)迭代(iteration)選取序列個(gè)數(shù)(batchsize)為10，每個(gè)序列長度30，梯度削波的閾值設(shè)為10。 DMSMOTE中的k值設(shè)置為3，模型中Dropout參數(shù)設(shè)置為0.5。Swish技術(shù)對應(yīng)開啟的縮放參數(shù)gamma(mean=1.0，variance=0.002)。對于微調(diào)訓(xùn)練，除歷元數(shù)設(shè)為160，學(xué)習(xí)率設(shè)置為0.000 1，其他所有參數(shù)與預(yù)訓(xùn)練完全相同。

4 模型評估及實(shí)驗(yàn)分析

4.1 模型評估設(shè)計(jì)

為全面評估模型性能，會(huì)從宏觀(總體)和微觀(每類)兩方面對模型進(jìn)行評估?？傮w評估指標(biāo)包括總體分類精度(Overall Accuracy, OA)以及宏平均F1值(Macro-averaged F1-score, MF1)；對于每類評估，使用每類召回率(REcall, RE)、每類精度(PRecision, PR)、每類F1值(F1-score, F1)來評估模型性能。由于本文有五個(gè)分類，每類評估通過將其他各類當(dāng)作負(fù)例(Negative)，待評估類作為正例(Positive)進(jìn)行評估。

各指標(biāo)計(jì)算表達(dá)式如下：

PRi=TPi/(TPi+FPi)

(3)

REi=TPi/(TPi+FNi)

(4)

F1i=2PRi×REi/(PRi+REi)

(5)

(6)

(7)

式(3)～(7)中：TPi為i類真陽數(shù)，F(xiàn)1i為i類F1值，I為睡眠階段總數(shù)，N為所有類的總樣本數(shù)。公式中參數(shù)含義如表2所示。

表2 公式中各參數(shù)含義

為了在數(shù)據(jù)樣本量較少時(shí)，最大化利用現(xiàn)有數(shù)據(jù)樣本對模型進(jìn)行合理評估，本文使用K折交叉驗(yàn)證(K-fold Cross Validation)來評估本文模型。

4.2 實(shí)驗(yàn)方案設(shè)計(jì)

為確定K折交叉驗(yàn)證實(shí)驗(yàn)最佳K值，對本文提出的模型分別進(jìn)行5、10、15、20、25折交叉驗(yàn)證實(shí)驗(yàn)，得出15折交叉驗(yàn)證實(shí)驗(yàn)分類性能為最優(yōu)。

為驗(yàn)證本文所提出的DMSMOTE及各種優(yōu)化結(jié)構(gòu)的合理性，所進(jìn)行的主要實(shí)驗(yàn)如表3所示。其中“捷徑連接”為模型中的7個(gè)捷徑連接。

表3 實(shí)驗(yàn)設(shè)計(jì)

A、B、C、D、E這5組實(shí)驗(yàn)中，A實(shí)驗(yàn)所用的模型為理論最優(yōu)模型。A組實(shí)驗(yàn)得出的結(jié)果一方面代表本文模型最優(yōu)實(shí)驗(yàn)結(jié)果，一方面用于與其他四組作對比。五組實(shí)驗(yàn)皆采用15折交叉驗(yàn)證。為控制DMSMOTE生成類平衡數(shù)據(jù)的隨機(jī)性，需要用到DMSMOTE構(gòu)建的類平衡數(shù)據(jù)的實(shí)驗(yàn)(C、D)，直接調(diào)用實(shí)驗(yàn)A中的類平衡數(shù)據(jù)。其他四組實(shí)驗(yàn)?zāi)康娜缦拢?/p>

1)B組。B組采用MSMOTE對預(yù)訓(xùn)練中的少數(shù)類進(jìn)行過采樣。與實(shí)驗(yàn)A對比用以驗(yàn)證采用DMSMOTE進(jìn)行過采樣，相對于MSMOTE能否取得更好的效果。

2)C組?？沈?yàn)證結(jié)合DMSMOTE生成的類平衡數(shù)據(jù)對模型作預(yù)激活處理，對模型的分類效果是否具有提升作用，尤其是對少數(shù)類分類效果的影響。

3)D組。得出ReLU作為激活函數(shù)時(shí)模型的分類效果，并與A組模型的收斂速度以及分類效果作對比。

4)E組。得出移除7個(gè)捷徑連接模塊后模型的分類效果，與A組結(jié)果對比驗(yàn)證這種結(jié)構(gòu)的合理性。

4.3 實(shí)驗(yàn)結(jié)果及分析

圖4為5組實(shí)驗(yàn)得出的總混淆矩陣圖,總混淆矩陣是由15折交叉驗(yàn)證中的每折驗(yàn)證集混淆矩陣相加得出的。第6列表示每類召回率(REi)，第6行代表每類精度(PRi)，6行與6列交匯處(各組混淆矩陣右下角)為總體精度(OA)。圖4中A組實(shí)驗(yàn)結(jié)果的右側(cè)為各組實(shí)驗(yàn)所得的MF1值。

圖4 五組實(shí)驗(yàn)總混淆矩陣結(jié)果

從圖4中各實(shí)驗(yàn)分類數(shù)據(jù)指標(biāo)可直觀看出：A組的分類效果明顯優(yōu)于E組；由此可知，模型中7個(gè)捷徑連接模塊的嵌入可優(yōu)化訓(xùn)練，進(jìn)而提升模型分類性能。

圖4中A組與C組結(jié)果對比可知，采用DMSMOTE生成的類平衡數(shù)據(jù)對模型作預(yù)訓(xùn)練，然后再用原始數(shù)據(jù)對模型微調(diào)，獲得的總體分類效果優(yōu)于采用原始類不均衡數(shù)據(jù)直接對模型進(jìn)行訓(xùn)練。為進(jìn)一步驗(yàn)證采用DMSMOTE生成的類平衡數(shù)據(jù)作預(yù)激活處理，對數(shù)據(jù)集中少數(shù)類的影響；使用A、C兩組實(shí)驗(yàn)結(jié)果中的每類指標(biāo)進(jìn)行分析。以W期F1值提升百分比為例，aF1W代表A組W期的F1值，cF1W代表C組W期的F1值，P代表A組W期F1值相對于C組提升百分比值，正值代表有所提升，負(fù)值代表下降。計(jì)算公式為：

(8)

表4為A實(shí)驗(yàn)相對C實(shí)驗(yàn)的每類指標(biāo)(每類精度、每類召回率、每類F1值)提升百分比。

由表4可直觀看出，使用DMSMOTE生成的類平衡數(shù)據(jù)對模型作預(yù)激活處理，相較于直接使用原始數(shù)據(jù)進(jìn)行訓(xùn)練，對各類的分類效果都有所提升。其中占數(shù)據(jù)集總數(shù)最少的類(N1期)各指標(biāo)提升幅度最大；REM期的召回率雖然有略微下降，但分類效果是提升的。由圖4中A、C兩組實(shí)驗(yàn)所得的總混淆矩陣也能看出，與C組實(shí)驗(yàn)結(jié)果相比，A組實(shí)驗(yàn)結(jié)果中各分類的真陽數(shù)都在增加；N1期被誤分到其他期的數(shù)值，除N2期與C組保持持平，其他各期數(shù)目都有所下降。實(shí)驗(yàn)表明：使用DMSMOTE生成的類平衡腦電數(shù)據(jù)集用于預(yù)訓(xùn)練，在提升總體分類效果的同時(shí)，對各類別的分類效果都有所提升，且可大幅提升極少數(shù)類(N1期)的分類效果。

表4 用DMSMOTE生成的類平衡數(shù)據(jù)作預(yù)訓(xùn)練對各類分類效果提升 %

由圖4中A、B兩組實(shí)驗(yàn)結(jié)果對比可知，采用DMSMOTE生成的類平衡數(shù)據(jù)對模型作預(yù)訓(xùn)練，獲得的總體分類效果優(yōu)于MSMOTE。為進(jìn)一步分析使用DMSMOTE生成的類平衡數(shù)據(jù)對模型作預(yù)激活處理對各類的提升效果(相對于MSMOTE)，使用A、B兩組的實(shí)驗(yàn)結(jié)果中的每類指標(biāo)進(jìn)行分析。表5為A實(shí)驗(yàn)相對B實(shí)驗(yàn)的每類指標(biāo)(每類精度、每類召回率、每類F1值)提升百分比，計(jì)算公式與式(8)類似，正值代表有所提升，負(fù)值代表下降。

由表5結(jié)果可知，DMSMOTE用于對本文實(shí)驗(yàn)數(shù)據(jù)作過采樣處理，相對于MSMOTE，對各分類的分類效果都有所提升，尤其對極少數(shù)類(N1)的提升較明顯。綜合總體和每類兩方面的指標(biāo)來看，DMSMOTE用于處理高維多分類腦電數(shù)據(jù)獲得的性能較優(yōu)。

由圖4中A、D兩組實(shí)驗(yàn)結(jié)果的對比可知：將兩種激活函數(shù)分別應(yīng)用于本文模型，Swish在本模型中所取得的分類效果略優(yōu)。為進(jìn)一步比較兩激活函數(shù)對本文模型收斂速度的影響，對兩組實(shí)驗(yàn)?zāi)Ｐ臀⒄{(diào)時(shí)的收斂效果進(jìn)行對比。對比所采用的指標(biāo)：

指標(biāo)1 每個(gè)模型訓(xùn)練集平均損失函數(shù)曲線。該曲線由AverageLi組成。

Lij表示第i個(gè)歷元第j折的損失函數(shù)值,第i個(gè)歷元的平均損失值A(chǔ)verageLi的計(jì)算公式為：

(9)

指標(biāo)2 每個(gè)模型訓(xùn)練集平均總體精度函數(shù)曲線。該曲線是由AverageOAi組成。

OAij表示第i個(gè)歷元第j折的總體精度值,第i個(gè)歷元的總體精度AverageOAi的計(jì)算公式為：

(10)

表5 DMSMOTE用于過采樣相對于MSMOTE對各類指標(biāo)的提升 %

圖5為采用這兩種指標(biāo)的兩模型微調(diào)收斂效果對比圖，其中A、D兩模型微調(diào)訓(xùn)練歷元數(shù)分別為160、260。

圖5(a)為依據(jù)指標(biāo)1所繪制的曲線，圖5(b)為依據(jù)指標(biāo)2所繪制的曲線。由圖5可直觀看出，采用Swish函數(shù)作為本模型的激活函數(shù)，收斂速度明顯高于使用ReLU函數(shù)。圖5(a)底端的水平線(以ReLU作為激活函數(shù)所得第160個(gè)歷元的訓(xùn)練損失平均值為縱坐標(biāo)所作的水平線)也可看出，采用ReLU函數(shù)作為激活函數(shù)時(shí)，第160個(gè)歷元的收斂效果與Swish函數(shù)作為激活函數(shù)的第110個(gè)歷元的收斂效果相當(dāng)。綜合圖4中的模型A、D分類效果以及圖5中的收斂速度對比可知：作為本文模型所要使用的激活函數(shù)，Swish函數(shù)略優(yōu)于ReLU函數(shù)。

圖5 Swish和ReLU函數(shù)平均收斂速度對比

4.4 模型評估

為驗(yàn)證本文所提出的模型的有效性，將本文模型實(shí)驗(yàn)(實(shí)驗(yàn)A)結(jié)果，與近年采用Sleep-EDF數(shù)據(jù)集(Fpz-Cz通道)作為實(shí)驗(yàn)數(shù)據(jù)的研究成果進(jìn)行比較。為客觀評價(jià)各文獻(xiàn)模型，只選取進(jìn)行交叉驗(yàn)證實(shí)驗(yàn)的文獻(xiàn)進(jìn)行對比。多評價(jià)指標(biāo)對比結(jié)果如表6所示。

表6的四組模型中，文獻(xiàn)[3]使用的是人工設(shè)計(jì)特征的方法，文獻(xiàn)[11]、[12]以及本文采用的是卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征的方式。本文方法相對于其他三種方法獲得了更好的分類效果；除本文外，文獻(xiàn)[12]所提出的模型分類效果最佳。相比文獻(xiàn)[12]所提出模型的分類效果，本文模型OA和MF1兩指標(biāo)提升比例分別為5.74%、6.28%，同時(shí)也明顯提升了數(shù)據(jù)集中極少數(shù)類N1期的分類效果(F1值提升幅度為15.21%)。

表6 近兩年先進(jìn)研究與本文結(jié)果對比

5 結(jié)語

本文設(shè)計(jì)一種基于深度學(xué)習(xí)和少數(shù)類生成技術(shù)的自動(dòng)睡眠分期模型。實(shí)驗(yàn)表明，該模型能完成少量類不均衡原始睡眠腦電數(shù)據(jù)的高精度端到端分期。鑒于其端到端特性，該模型更適用于配備遠(yuǎn)程服務(wù)器的分體式便攜睡眠監(jiān)測設(shè)備。

本文提出DMSMOTE算法，并將其用于類不平衡腦電數(shù)據(jù)集中少數(shù)類的過采樣。 DMSMOTE結(jié)合預(yù)訓(xùn)練的方法只能一定程度上減少類不均衡造成的影響，并不能避免這種分布造成的缺陷。以后的研究可通過采用集成學(xué)習(xí)算法技術(shù)對微調(diào)部分的分類器進(jìn)行修改，以增強(qiáng)其對原始類不均衡微調(diào)數(shù)據(jù)集的適應(yīng)性，最終達(dá)到提升模型分類效果的目的。

[10] WANG J, YU L C, LAI K R, et al. Dimensional sentiment analysis using a regional CNN-LSTM model [EB/OL]. [2017- 12- 11]. http://www.aclweb.org/anthology/P/P16/P16-2037.pdf.

[11] TSINALIS O, MATTHEWS P M, GUO Y, et al. Automatic sleep stage scoring with single-channel EEG using convolutional neural networks [EB/OL]. [2016- 10- 05]. http://xueshu.baidu.com/s?wd=paperuri%3A%284f2f11d92bb57d7a8b02a0ad792a9478%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fpdf%2F1610.01683&ie=utf-8&sc_us=3154002015441067732.

[12] SUPRATAK A, DONG H, WU C, et al. DeepSleepNet: a model for automatic sleep stage scoring based on raw single-channel EEG [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2017, 25(11): 1998-2008.

[13] HU S, LIANG Y, MA L, et al. MSMOTE: improving classification performance when training data is imbalanced [C]// IWCSE ’09: Proceedings of the 2009 2nd International Workshop on Computer Science and Engineering. Washington, DC: IEEE Computer Society, 2009, 2: 13-17.

[14] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2016: 770-778.

[15] IOFFE S, SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift [EB/OL]. [2017- 12- 20]. http://proceedings.mlr.press/v37/ioffe15.pdf.

[16] RAMACHANDRAN P, ZOPH B, LE Q V. Swish: a self-gated activation function [EB/OL]. [2017- 10- 27]. http://xueshu.baidu.com/s?wd=paperuri%3A%2829e84daf3ac69561b1408e4fa0638c79%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fpdf%2F1710.05941v1&ie=utf-8&sc_us=7597521573451541055.

[17] HINTON G E, SRIVASTAVA N, KRIZHEVSKY A, et al. Improving neural networks by preventing co-adaptation of feature detectors [J]. Computer Science, 2012, 3(4): 212-223.

[18] 王文朋,毛文濤,何建樑,等.基于深度遷移學(xué)習(xí)的煙霧識別方法[J].計(jì)算機(jī)應(yīng)用,2017,37(11):3176-3181.(WANG W P, MAO W T, HE J L, et al. Smoke recognition based on deep transfer learning [J]. Journal of Computer Applications, 2017, 37(11): 3176-3181.)

[19] 李彥冬,郝宗波,雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用,2016,36(9):2508-2515.(LI Y D, HAO Z B, LEI H. Survey of convolutional neural network [J]. Journal of Computer Applications, 2016, 36(9): 2508-2515.)