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(wěn)定和人的身心健康十分重要。世界衛(wèi)生組織調(diào)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(jīng)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(yè)睡眠醫(yī)師通過采集病人的多導睡眠圖(PSG),并依照美國睡眠醫(yī)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(wǎng)絡(luò)(LSTM)構(gòu)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(jīng)網(wǎng)絡(luò)(CNN)和多層感知機構(gòu)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(huán)神經(jīng)網(wǎng)絡(luò)(RNN)構(gòu)建了SeqSleepNet模型

,在小數(shù)據(jù)集上準確率達到87.1%;Perslev等

和Jia等

分別使用U型結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)模型來捕獲腦電和眼電信號中的顯著特征和睡眠狀態(tài)轉(zhuǎn)換規(guī)則,能夠有效進行睡眠分期?；诙鄬硇盘柕乃叻制谀Ｐ?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(fù)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(fù)雜度,是一個值得探索的方向

。腦電信號(EEG)能夠直接反映人腦狀態(tài),在基于單通道信號的睡眠分期研究中有著天然的優(yōu)勢。

Supratak等基于單通道EEG使用不同大小的一維卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)(BiLSTM),設(shè)計了睡眠分期模型DeepSleepNet

,并在隨后的研究中對模型進行簡化,構(gòu)建了用小卷積核的一維CNN和長短期記憶網(wǎng)絡(luò)組合的TinySleepNet模型

。兩個模型都以單通道EEG作為輸入,用39人和197人的小數(shù)據(jù)集進行了實驗驗證,準確率分別達到82%和85.4%;Korkalainen等使用三層堆疊的卷積池化塊和BiLSTM

,基于腦電信號進行睡眠分期,在39人的數(shù)據(jù)集上準確率達到83.7%,并與腦電結(jié)合眼電的方法在多個數(shù)據(jù)集上進行了比較,結(jié)果顯示準確率差異在1%以內(nèi);Qu等自然語言處理領(lǐng)域獲得靈感,同樣以單通道EEG作為輸入,采用自編碼器構(gòu)建了睡眠分期網(wǎng)絡(luò)

,在200人和197人的數(shù)據(jù)集上進行實驗,準確率達到84.3%;Zhou等通過公式計算從單通道EEG中提取108維特征,并利用隨機森林和LGB構(gòu)建了雙層堆疊分類器

,在8人和197人的小數(shù)據(jù)集上達到了較高的準確率;Jiang等利用頻域和時域分解從單通道EEG中提取特征,并利用隨機森林和隱馬爾可夫模型構(gòu)建分類器

,在8人、20人和61人的小數(shù)據(jù)集上準確率達到89.4%。相對于從EEG原始信號中利用CNN提取的抽象特征,利用信號分析方法能夠更直觀有效地提取出EEG的時頻域特征?，F(xiàn)有研究多基于小數(shù)據(jù)集進行建模,數(shù)據(jù)采集周期短,數(shù)據(jù)穩(wěn)定性較高,而實際大規(guī)模應(yīng)用中,不同批次的睡眠數(shù)據(jù)往往存在一定的差異性,所以模型的準確率和穩(wěn)定性較差。

本文提出了一種采用小波變換和BiLSTM的腦電睡眠分期模型,預(yù)先計算單通道EEG的時頻圖,再利用二維卷積網(wǎng)絡(luò)提取時頻特征,進一步使用雙向長短期記憶網(wǎng)絡(luò)來捕捉睡眠狀態(tài)轉(zhuǎn)換規(guī)則,并使用大數(shù)據(jù)集驗證,得到了性能優(yōu)秀的睡眠分期模型。

1 睡眠分期模型

采用小波變換和BiLSTM的睡眠分期模型主要包含3個部分:睡眠腦電時頻圖的提取與壓縮;二維卷積網(wǎng)絡(luò)時頻特征的提取;睡眠狀態(tài)轉(zhuǎn)換規(guī)則的提取與睡眠分期。采用小波變換和BiLSTM的睡眠分期模型結(jié)構(gòu)如圖1所示。

1.1 睡眠腦電時頻圖的提取與壓縮

連續(xù)小波變換(CWT)是一種多尺度時頻分析方法,可以由粗到細地逐步分析信號,是進行腦電信號時頻分析和處理的理想工具

。

Y為工業(yè)生產(chǎn)總值，K為投入資本，A（t）為技術(shù)水平，L為勞動資本投入，α和β分為資本與勞動產(chǎn)出彈性。為便于回歸分析，對上式兩端取對數(shù)可得到線性生產(chǎn)函數(shù)：

(1)

式中:

(

)為輸入的腦電信號;

為尺度;

為偏移量。

將腦電信號按照30 s時長劃分為多個連續(xù)片段組成的序列,如下式

(2)

利用小波變換從原始腦電信號起始處開始,依次計算每一個30 s片段的小波時頻圖,直到信號末尾,如下式

(3)

連續(xù)片段的小波時頻圖重新組成序列,如下式

(4)

由于時頻圖在時間維度上過大,為降低數(shù)據(jù)維度,提高神經(jīng)網(wǎng)絡(luò)訓練速度,將小波時頻圖通過加窗求均值的方式進行時間采樣點數(shù)的壓縮。將每

個點的值相加求得均值,作為壓縮后的值,如下式

(5)

1.2 二維卷積特征提取

不同睡眠狀態(tài)下的EEG中各頻帶幅度隨時間的改變不同

,EEG頻率的強弱是大腦活動強度的最直接體現(xiàn),小波時頻圖能夠在各頻帶上體現(xiàn)不同尺度的時頻域信息。通過二維卷積網(wǎng)絡(luò),可以進一步提取出小波時頻圖中的時頻域特征。依據(jù)視覺幾何組(visual geometry group,VGG)提出的VGGNet

構(gòu)建了一個二維卷積神經(jīng)網(wǎng)絡(luò),如圖2所示。

二維卷積神經(jīng)網(wǎng)絡(luò)主要包含4個卷積池化塊,每個卷積核大小均為(3,3),卷積核的個數(shù)依次為32、48、64、72,每個卷積池化塊包含2次卷積運算,1次池化運算,每層依次計算得到特征向量如下式

第二，在編制房屋拆遷肺預(yù)算方面，測繪系統(tǒng)的應(yīng)用，其有利于相關(guān)部門全面掌握情況，進而做到科學合理的復(fù)核。

1

=CPBlock1(

)

(6)

2.2.3 實驗實施

(7)

3

=CPBlock3(

2

)

綜上所述，課堂提問作為語文教學中的重要組成部分之一，若想實現(xiàn)提問的藝術(shù)性，就要注重問題設(shè)置的啟發(fā)性、審美性及創(chuàng)造性。在語文教學中，充分展示提問的藝術(shù)性，從而提高學生的綜合素養(yǎng)，促進教師的教學專業(yè)性，優(yōu)化語文課堂質(zhì)量。

由于SHHS數(shù)據(jù)集有5 793條記錄,本文以8∶1∶1的比例隨機劃分了訓練集、驗證集、測試集,即隨機挑選了4 635條記錄作為訓練集,579條記錄作為驗證集,剩余的579條記錄作為測試集。使用早停法在訓練集和驗證集上將模型最優(yōu)化,最后在測試集上得到最終的性能評價。

(8)

4

=CPBlock4(

3

)

(9)

經(jīng)過4個堆疊卷積和池化計算后得到特征向量

4

,再進行1次卷積池化運算進一步縮減特征維數(shù),得到特征向量

5

如下式

5

=CPBlock5(

4

)

(10)

一是增加x波段多普勒天氣雷達等局地警戒監(jiān)測設(shè)施,加強對小尺度強天氣的識別、發(fā)展的監(jiān)測分析,提高監(jiān)測預(yù)報預(yù)警的精準性;二是提高氣象災(zāi)害監(jiān)測站網(wǎng)密度,加大在全縣范圍內(nèi)氣象災(zāi)害易發(fā)區(qū)、防御薄弱區(qū)、監(jiān)測空白區(qū)等地的監(jiān)測站點建設(shè),并科學增加原有區(qū)域自動氣象站的監(jiān)測要素;三是落實氣象探測環(huán)境保護責任制,加強區(qū)域自動氣象站探測環(huán)境保護。

=Reshape(

5

)

(11)

式中:

1

、

2

、

3

、

4

、

5

表示5個卷積池化塊的輸出;CPBlock1、CPBlock2、CPBlock3、CPBlock4、CPBlock5表示網(wǎng)絡(luò)中的卷積池化運算;Reshape表示將時頻特征展平為特征向量;

表示二維卷積網(wǎng)絡(luò)提取出的時頻特征向量。

1.3 睡眠狀態(tài)轉(zhuǎn)換規(guī)則提取與睡眠分期

睡眠狀態(tài)轉(zhuǎn)換規(guī)則具有明顯的時間相關(guān)性和階段性

。在睡眠分期規(guī)則中,當前片段的睡眠分期既要考慮前向的變化也要考慮后向的變化。長短期記憶網(wǎng)絡(luò)通過沿著時間傳遞隱狀態(tài)和細胞狀態(tài),能夠?qū)W習到時序數(shù)據(jù)中的抽象特征

。BiLSTM

通過讓兩個LSTM分別獨立的處理前向和后向輸入序列,并將兩個方向得到的特征向量組合,同時利用來自過去和未來的信息。本文使用了BiLSTM從特征圖中進一步計算睡眠狀態(tài)轉(zhuǎn)換規(guī)則,并得到最終的睡眠分期結(jié)果。

材料中的損傷用Deform 3D軟件中所帶的Cockcroft-Latham準則損傷參數(shù)進行表征，其表達式為[10]：

模型采用的BiLSTM細胞核數(shù)為128,丟棄概率為0.5,采用雙向結(jié)構(gòu),通過BiLSTM得到前向和后向的隱向量,如下式

(12)

(13)

(14)

2 數(shù)據(jù)集和實驗結(jié)果

2.1 數(shù)據(jù)集

2.2.1 數(shù)據(jù)擴充

實驗選用了C3-A2通道的EEG,降采樣到100 Hz,并且將每條記錄按照30 s一個片段進行分段。本文采用了兩種樣本分割方式:以單個30 s片段作為樣本進行預(yù)訓練;以連續(xù)多個30 s片段組成的序列作為樣本進行微調(diào)。

2.2.2 改進的粗粒度劃分AP聚類 通過利用類內(nèi)和類間距離來構(gòu)造樣本數(shù)據(jù)點之間的相似性，使得聚類算法能同時考慮到樣本類內(nèi)的緊密程度和樣本類間的離散程度.假定有n個數(shù)據(jù)，這些數(shù)據(jù)點構(gòu)成N×N的相似度矩陣S′，S′(i， j) 即為樣本數(shù)據(jù)點i和j之間的相似度，根據(jù)公式(9)可得：

由于每個記錄的開始和結(jié)束部分包含長時間清醒階段,本文對數(shù)據(jù)進行了清洗,表1為數(shù)據(jù)分割清洗后每類睡眠階段數(shù)的統(tǒng)計,其中

表示每類睡眠階段數(shù)占所有睡眠階段數(shù)的比例。以第一個睡眠期出現(xiàn)之前30 min為新起始點,以最后一個睡眠期結(jié)束30 min后為新終止點,丟棄原起始點和新起始點之間的清醒階段以及新終止點和原終止點之間的清醒階段。AASM標準相比R&K標準應(yīng)用更廣泛,故去除了標記為運動和未知的階段,將睡眠標注轉(zhuǎn)化為AASM標準中的W、N1、N2、N3、REM 5類。

2.2 睡眠分期模型訓練過程

睡眠心臟健康研究(SHHS)

由美國心肺血液研究所開展,從多個中心收集數(shù)據(jù),旨在確定睡眠呼吸障礙和心血管疾病的關(guān)聯(lián)。數(shù)據(jù)子集1包含5 793名被試者的PSG記錄,其中EEG采集兩通道數(shù)據(jù)(C4-A1、C3-A2),采樣頻率為125 Hz。睡眠專家根據(jù)R&K標準標注睡眠階段。

由表1可得,雖然數(shù)據(jù)清洗去除了部分清醒期,但是整個數(shù)據(jù)集仍然處于極其不均衡的狀態(tài),N1睡眠階段數(shù)遠遠小于其他睡眠階段數(shù)。為了增強模型對小類別的判別能力,進一步使用數(shù)據(jù)擴充方法處理數(shù)據(jù)集,并在訓練VGG時使用數(shù)據(jù)擴充后的數(shù)據(jù)。數(shù)據(jù)擴充過程如下:首先統(tǒng)計每個睡眠記錄中所有睡眠階段數(shù),以最多數(shù)作為數(shù)據(jù)擴充上限。然后對于數(shù)量不足的睡眠階段,隨機選取樣本進行復(fù)制,直到此類睡眠階段數(shù)達到數(shù)據(jù)擴充上限。通過復(fù)制擴充了小類別的樣本數(shù),使數(shù)據(jù)集整體達到均衡狀態(tài)。

2.2.2 訓練算法

為了強化模型對于不平衡數(shù)據(jù)集的學習和判別能力,通過數(shù)據(jù)擴充進行了數(shù)據(jù)增強,提高了模型的性能和魯棒性

,但是這破壞了原有的時序連續(xù)性

,無法使用BiLSTM直接進行學習。因此采用了兩步訓練的方法,即第一步先使用擴充后的均衡數(shù)據(jù)集訓練VGG,第二步微調(diào)過程中再將VGG隱藏層連接到BiLSTM,使用原始數(shù)據(jù)集進行微調(diào)學習。

具體來說,第一階段訓練時,在VGG的最后一層隱藏層后拼接一個全連接層,以Softmax作為激活函數(shù),單個30 s片段作為輸入,對應(yīng)的標簽作為輸出,使用Adam優(yōu)化器,學習率設(shè)置為10

,并用早停法決定停止學習的epoch。在訓練結(jié)束后,丟棄Softmax層及相應(yīng)的參數(shù),將特征圖展平。

夏季的廬山很熱鬧。合面街是最繁華的商業(yè)街，從合面街到河南路口是單面街。河南路口對面，現(xiàn)在的振豪超市，原是赫赫有名的胡金芳大旅社，門面后背的一大片房屋也屬于它。觀光客多選擇在這里住，臨街近，方便。當年的胡金芳大旅社聲名遠播，生意遠勝于仙巖飯店。

在第二階段微調(diào)時,將訓練好的VGG參數(shù)導入到完整的網(wǎng)絡(luò)模型中,以連續(xù)50個片段組成的序列作為輸入,對應(yīng)的標簽序列作為輸出,使用Adam優(yōu)化器,對于訓練好的VGG設(shè)置較小的學習率10

,對于還未訓練的BiLSTM設(shè)置原本的學習率10

,以避免網(wǎng)絡(luò)過擬合,并用早停法決定停止學習的epoch。

小波變換的公式如下

2

=CPBlock2(

1

)

將特征展平得到時頻特征向量

,如下式

（6）排水消音速流三通也同樣具備順水三通的效果，且為偏心三通，是有連接排水立管的豎向管體和連接橫管的側(cè)面管體構(gòu)成，側(cè)面管體呈右側(cè)向偏心向下螺旋形，與豎向管體右側(cè)相連接，這樣可以避免橫管的水流直接沖擊對面的管壁從而起到降噪作用。

基于Python編程語言(版本號3.7),使用Pytorch1.8深度學習框架實現(xiàn)了本文的模型,實驗平臺配置為:CPU型號為Intel(R) Xeon(R) Gold 6240 CPU @ 2.60 GHz,內(nèi)存容量為256 GB,GPU型號為NVIDIA GeForce RTX 3090。模型實際訓練花費時間約為10 h。

2.2.4 評價方法

使用準確率(

)、每類精度(

)、每類召回率(

)、每類F1分數(shù)(

)、宏平均F1分數(shù)(

)和Cohen’s Kappa系數(shù)(

)來評估模型的性能。F1分數(shù)能夠較為精準地評估模型不平衡數(shù)據(jù)分類的性能,宏平均F1分數(shù)為各類F1分數(shù)的均值。Cohen’s Kappa系數(shù)能夠綜合反映模型分期結(jié)果和睡眠專家分期結(jié)果之間的一致性。

、

、

、

、

和

的表達式如下

(15)

(16)

(17)

(18)

(19)

(20)

(21)

式中:

、

、

、

是實驗分類結(jié)果中各類別的數(shù)量,

為真陽性,表示分類正確的正例;

為假陽性,表示分類錯誤的正例;

為真陰性,表示分類正確的反例;

為假陰性,表示分類錯誤的反例;

與

相等,表示總體的準確率;

表示每一類真實的樣本個數(shù);

表示模型預(yù)測出來的每一類預(yù)測的樣本個數(shù);

為樣本總數(shù)。

有機氮含量、溫度、水分、土壤動物、土壤微生物、質(zhì)地和耕作方式等都會對土壤氮礦化有所影響，特別是溫度和水分是氮礦化的主要影響因素，并且他們存在明顯的交互作用。不同的耕作方式影響土壤的容重、孔隙度、理化性質(zhì)等，間接導致了土壤氮礦化過程的差異。很多學者研究的免耕措施會導致農(nóng)田二氧化氮排放量增加。

2.3 實驗結(jié)果對比與分析

模型在SHHS數(shù)據(jù)集上進行了實驗,表2給出了3個不同的基線模型和本文提出的模型的對比結(jié)果。3個基線模型包括DeepSleepNet(DSN)、TinySleepNet(TSN)和SeqSleepNet(SSN)。DeepSleepNet使用不同大小的一維CNN提取抽象特征,并利用BiLSTM學習睡眠階段之間的轉(zhuǎn)換規(guī)則;TinySleepNet使用簡單的CNN和單向LSTM構(gòu)建的睡眠分期模型;SeqSleepNet由濾波器組和用于編碼睡眠序列信息的雙向RNN組成。原文使用了EEG、EOG、EMG三通道數(shù)據(jù),為形成有效對比,復(fù)現(xiàn)時僅使用了EEG通道。

對比的參數(shù)包括準確率

、

、

和

。由于基線模型沒有在SHHS上進行過實驗,根據(jù)論文中的描述,重新實現(xiàn)了基線模型并在SHHS上進行了實驗。與其他模型相比,本文的模型整體表現(xiàn)最好,在整體的評價指標上均達到了最高,并且由于采用了數(shù)據(jù)擴充算法,增強了模型對N1階段等小樣本類別的學習能力,所以本文的模型對于N1階段的識別能力也較為優(yōu)秀。

使用原始腦電信號作為輸入的網(wǎng)絡(luò),例如DeepSleepNet和TinySleepNet等能夠在一定程度上劃分不同的睡眠周期,但是采用原始信號作為輸入無法完全捕捉到不同睡眠階段的時頻特征;SeqSleepNet模型使用了短時傅里葉變換和濾波器組捕捉腦電信號中的時頻特征,所以其性能相對較好,但是本文的模型利用連續(xù)小波變換更有效地捕捉了時頻特征,因此比其他模型有更好的表現(xiàn)。

多數(shù)基線模型在SHHS數(shù)據(jù)集上未能完全表現(xiàn)出原本的性能,這是由于生理信號數(shù)據(jù)的穩(wěn)定性易受采集時間、地點、設(shè)備等客觀因素影響,基線模型使用的小數(shù)據(jù)集PSG記錄數(shù)為39或153,采集周期較短、采集地點固定,數(shù)據(jù)較為穩(wěn)定,所以基線模型表現(xiàn)較好。SHHS數(shù)據(jù)集記錄數(shù)多達5 793,采集周期長,受客觀因素影響數(shù)據(jù)穩(wěn)定性較低,所以基線模型在SHHS數(shù)據(jù)集上性能有所降低。

3 方法優(yōu)化的考慮

3.1 小波時頻圖時間采樣點數(shù)對模型性能的影響

為確定連續(xù)小波變換得到的時頻圖時間采樣點數(shù)大小對于模型性能的影響,進行了不同時間采樣點數(shù)的比較實驗。原時頻圖采樣時間為30 s,采樣頻率為100 Hz,由采樣時間乘采樣頻率可得時間采樣點數(shù)為3 000(100 Hz×30 s)。將原本時間采樣點數(shù)為3 000的數(shù)據(jù)通過加窗求平均值的方式,壓縮為原本的1/200、1/100、1/50、1/30、1/25、1/20、1/15、1/12,得到新的時頻圖時間采樣點數(shù)分別為15、30、60、100、120、150、200和250,實驗結(jié)果如圖3所示。

塌陷主要形成于2017年10月16～17日的降雨期間和11月20日的人工降雨期間，短時間較強降水導致第四系土層含水量大大增加，土體重度增加，地下水補給徑流加快，水位變幅頻繁，在上覆土體自重、動靜水壓力及土洞真空吸蝕(負壓)等共同作用下，產(chǎn)生地面塌陷。降雨前后，天氣比正常年份雨水偏少，出現(xiàn)較明顯的干旱，不僅改變了地下水動力條件，也造成土壤干裂，為地表水的入滲提供了良好通道。

從實驗結(jié)果可得,當時間采樣點數(shù)小于200時,模型性能較低,當時間采樣點數(shù)等于200時,模型性能達到最高,且在超過200時模型性能不再明顯提升,因此最終確定時間采樣點數(shù)為200。

(3) 坑內(nèi)疏干降水效果不佳。積水沿連續(xù)墻向下滲透，造成土體含水量增加，土體的工程性能降低，基坑內(nèi)被動區(qū)土壓力減小，嵌固端向基坑內(nèi)位移。

3.2 LSTM與BiLSTM性能比較

為了確定LSTM雙向結(jié)構(gòu)相對于單向結(jié)構(gòu)的性能提升,設(shè)計并進行了LSTM與BiLSTM的實驗結(jié)果比較,如圖4所示。LSTM為128個記憶單元的單層單向結(jié)構(gòu);BiLSTM為128個記憶單元的單層雙向結(jié)構(gòu)。

圖4中

表示N1階段的F1分數(shù),

表示N2階段的F1分數(shù),

、

、

為整體性能指標。BiLSTM的各項評價指標均優(yōu)于LSTM。這是由于在睡眠分期中,相比于單向結(jié)構(gòu)的網(wǎng)絡(luò),雙向結(jié)構(gòu)的網(wǎng)絡(luò)和睡眠狀態(tài)轉(zhuǎn)換規(guī)則更加契合。睡眠狀態(tài)轉(zhuǎn)換規(guī)則不是一個在時間上單向確定的規(guī)則,在人工睡眠分期的過程中,睡眠專家通過睡眠狀態(tài)轉(zhuǎn)換規(guī)則和相鄰的已確定的睡眠階段來確定當前睡眠階段,這不只包括之前的睡眠階段,也包括之后的睡眠階段。只有采用雙向結(jié)構(gòu),同時考慮前向和后向,才能更完整的捕捉睡眠狀態(tài)轉(zhuǎn)換規(guī)則。

3.3 數(shù)據(jù)擴充和兩步訓練算法的作用

在第一階段訓練二維卷積神經(jīng)網(wǎng)絡(luò)時,采用了數(shù)據(jù)擴充算法來強化模型對于小樣本類別的學習能力,并且進一步使用微調(diào)的方法調(diào)整模型。為了證明數(shù)據(jù)擴充和兩步訓練算法的有效性,設(shè)計并進行了實驗,結(jié)果見表3。不擴充指不使用數(shù)據(jù)擴充和兩步訓練算法,模型直接以連續(xù)序列數(shù)據(jù)作為輸入進行一步訓練;復(fù)制擴充指本文所使用的數(shù)據(jù)擴充算法,使用復(fù)制的方式進行數(shù)據(jù)擴充,并使用兩步訓練算法完成模型訓練;平移擴充指使用平移數(shù)據(jù)的方式擴充數(shù)據(jù),即將小樣本片段隨機左右平移0～3 s的數(shù)據(jù)擴充算法,保持樣本標簽不變,并使用兩步訓練算法完成模型訓練。

從表3結(jié)果可得,數(shù)據(jù)擴充和兩步訓練算法對于模型性能提升有顯著效果,模型在第一階段,通過數(shù)據(jù)擴充算法,強化了對于小樣本類別的識別能力,這使得模型的性能大大提升;同時,不同的數(shù)據(jù)擴充算法對于模型性能的影響不顯著,為了減少計算復(fù)雜度,本文沒有采用更復(fù)雜的平移擴充算法,而是使用了簡單且有效的復(fù)制擴充算法。

4 結(jié)論和展望

本文采用小波變換和BiLSTM構(gòu)建了一種單通道腦電睡眠分期模型,利用連續(xù)小波變換針對不同睡眠狀態(tài)EEG中各頻帶分布不同的特性,計算睡眠腦電的時頻圖;利用基于VGGNet的二維卷積網(wǎng)絡(luò)提取其中的時頻域信息,進一步使用BiLSTM,有效提取睡眠狀態(tài)轉(zhuǎn)換規(guī)則并進行睡眠分期。針對數(shù)據(jù)集中睡眠階段數(shù)不均衡的特點,采用了數(shù)據(jù)擴充和兩步訓練算法訓練模型,并在大數(shù)據(jù)集上進行了測試。睡眠分期5分類的準確率

達到85.82%,

達到78.39,

達到0.799。本文構(gòu)建的模型精度更高、穩(wěn)定性更好,證實了小波變換提取睡眠EEG時頻域信息相比于一維卷積網(wǎng)絡(luò)直接計算更有效。

第一，公路橋梁養(yǎng)護技術(shù)水平的缺失。公路橋梁的內(nèi)部結(jié)構(gòu)十分復(fù)雜與繁瑣，有關(guān)部門在對其進行養(yǎng)護時需要運用具有現(xiàn)代化技術(shù)水平的設(shè)備和高素質(zhì)的工作人員；與此同時，公路橋梁的養(yǎng)護工作還需要技術(shù)人員定期對其進行檢查及時發(fā)現(xiàn)其中的安全隱患并采取有效的措施進行管理。但是大多數(shù)工作人員在實際工作中很少會高效完成工作。其主要有以下原因：一方面是公路橋梁養(yǎng)護設(shè)備的配備不足，工作人員對于公路橋梁中的問題經(jīng)常會出現(xiàn)檢測不到位的現(xiàn)象；另外一方面是公路橋梁養(yǎng)護人員的施工技術(shù)水平不夠，這些因素經(jīng)常引起公路橋梁養(yǎng)護的安全隱患[2]。

防治措施：在播種之前可以選用玉米生物型種衣劑進行拌種?；蛘呖梢赃x用2.5%咯菌腈懸浮種衣劑按照1∶500的比例進行配比，拌種10千克?？梢杂行ьA(yù)防基腐病的發(fā)生。并且應(yīng)該在播種期，采用46.1%氫氧化銅水分散粒劑按照1∶1500的比例進行調(diào)和，或者可以選用12.5%氯溴異氰尿酸水溶性粉劑按照1∶1000的比例進行配比，進行對植株的莖部的噴淋，起到有效的預(yù)防作用。

本文的方法仍有一些不足之處:數(shù)據(jù)擴充和兩步訓練算法雖然能夠提升睡眠分期N1階段的精度,但是無法徹底消除樣本數(shù)不均衡的影響,未來仍需要不斷探究更好的均衡策略;時頻圖需要經(jīng)過壓縮才能夠利用二維卷積網(wǎng)絡(luò)進一步提取特征,而時間采樣點數(shù)的減小定然會造成時域信息的損失,進而影響模型的精度,未來仍需改進模型結(jié)構(gòu),彌補時域信息的損失。

:

[1] 趙忠新.睡眠醫(yī)學 [M].北京:人民衛(wèi)生出版社,2016.

[2] MOSER D,ANDERER P,GRUBER G,et al.Sleep classification according to AASM and Rechtschaffen &Kales:effects on sleep scoring parameters [J].Sleep,2009,32(2):139-149.

[3] 徐富獻,王抒偉,錢鑲鈺,等.睡眠自動分期方法綜述 [J].生物物理學,2019,7(3):34-48.

XU Fuxian,WANG Shuwei,QIAN Xiangyu,et al.A review of automatic sleep staging [J].Biophysics,2019,7(3):34-48.

[4] KUO C E,CHEN Guanting.Automatic sleep staging based on a hybrid stacked LSTM neural network:verification using large-scale dataset [J].IEEE Access,2020,8:111837-111849.

[5] PATANAIK A,ONG J L,GOOLEY J J,et al.An end-to-end framework for real-time automatic sleep stage classification [J].Sleep,2018,41(5):zsy041.

[6] PHAN H,ANDREOTTI F,COORAY N,et al.SeqSleepNet:end-to-end hierarchical recurrent neural network for sequence-to-sequence automatic sleep staging [J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2019,27(3):400-410.

[7] PERSLEV M,JENSEN M H,DARKNER S,et al.U-Time:a fully convolutional network for time series segmentation applied to sleep staging [C]∥Proceedings of the 33rd International Conference on Neural Information Processing Systems.Red Hook,NY,USA:Curran Associates Inc.,2019:4415-4426.

[8] JIA Ziyu,LIN Youfang,WANG Jing,et al.SalientSleepNet:multimodal salient wave detection network for sleep staging [C]∥Proceedings of the 30th International Joint Conference on Artificial Intelligence.San Mateo,CA,USA:Morgan Kaufmann,2021:2614-2620.

[9] WEI Yuhui,QI Xia,WANG Huaning,et al.A multi-class automatic sleep staging method based on long short-term memory network using single-lead electrocardiogram signals [J].IEEE Access,2019,7:85959-85970.

[10] SUPRATAK A,DONG Hao,WU Chao,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.

[11] SUPRATAK A,GUO Yike.TinySleepNet:an efficient deep learning model for sleep stage scoring based on raw single-channel EEG [C]∥Proceedings of the 2020 42nd Annual International Conference of the IEEE Engineering in Medicine &Biology Society (EMBC).Piscataway,NJ,USA:IEEE,2020:641-644.

[12] KORKALAINEN H,AAKKO J,NIKKONEN S,et al.Accurate deep learning-based sleep staging in a clinical population with suspected obstructive sleep apnea [J].IEEE Journal of Biomedical and Health Informatics,2020,24(7):2073-2081.

[13] QU Wei,WANG Zhiyong,HONG Hong,et al.A residual based attention model for EEG based sleep staging [J].IEEE Journal of Biomedical and Health Informatics,2020,24(10):2833-2843.

[14] ZHOU Jinjin,WANG Guangsheng,LIU Junbiao,et al.Automatic sleep stage classification with single channel EEG signal based on two-layer stacked ensemble model [J].IEEE Access,2020,8:57283-57297.

[15] JIANG Dihong,LU Yanan,MA Yu,et al.Robust sleep stage classification with single-channel EEG signals using multimodal decomposition and HMM-based refinement [J].Expert Systems with Applications,2019,121:188-203.

[16] WACKER W,WITTE H.Time-frequency techniques in biomedical signal analysis [J].Methods of Information in Medicine,2013,52(4):279-296.

[17] 胡勤偉,陶慶,王妮妮,等.用于穩(wěn)態(tài)視覺誘發(fā)電位目標識別的多尺度特征融合卷積神經(jīng)網(wǎng)絡(luò)方法 [J].西安交通大學學報,2022,56(4):185-193,202.

HU Qinwei,TAO Qing,WANG Nini,et al.A multi-scale feature fusion convolutional neural network approach for steady-state visual evoked potential target recognition [J].Journal of Xi’an Jiaotong University,2022,56(4):185-193,202.

[18] 邵舒羽,吳錦濤,周前祥,等.睡眠-覺醒節(jié)律紊亂下注意誘發(fā)腦電特征分析與識別 [J].航天醫(yī)學與醫(yī)學工程,2021,34(6):439-447.

SHAO Shuyu,WU Jintao,ZHOU Qianxiang,et al.EEG characteristics analysis and recognition induced by attention under sleep-wake rhythm disorder [J].Space Medicine &Medical Engineering,2021,34(6):439-447.

[19] SIMONYAN K,ZISSERMAN A.Very Deep convolutional networks for large-scale image recognition [C]∥Proceedings of the 3rd International Conference on Learning Representations.Amherst,Massachusetts,USA:OpenReview,2015:1-14.

[20] BERRY R B.Fundamentals of sleep medicine [M].Philadelphia,USA:Elsevier/Saunders,2012.

[21] 陳保家,陳學力,沈保明,等.CNN-LSTM深度神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用 [J].西安交通大學學報,2021,55(6):28-36.

CHEN Baojia,CHEN Xueli,SHEN Baoming,et al.An application of convolution neural network and long short-term memory in rolling bearing fault diagnosis [J].Journal of Xi’an Jiaotong University,2021,55(6):28-36.

[22] SCHUSTER M,PALIWAL K K.Bidirectional recurrent neural networks [J].IEEE Transactions on Signal Processing,1997,45(11):2673-2681.

[23] ZHANG Guoqiang,CUI Licong,MUELLER R,et al.The national sleep research resource:towards a sleep data commons [J].Journal of the American Medical Informatics Association,2018,25(10):1351-1358.

[24] QUAN S F,HOWARD B V,IBER C,et al.The sleep heart health study:design,rationale,and methods [J].Sleep,1997,20(12):1077-1085.

[25] ROY Y,BANVILLE H,ALBUQUERQUE I,et al.Deep learning-based electroencephalography analysis:a systematic review [J].Journal of Neural Engineering,2019,16(5):051001.

[26] SUN Chenglu,FAN Jiahao,CHEN Chen,et al.A two-stage neural network for sleep stage classification based on feature learning,sequence learning,and data augmentation [J].IEEE Access,2019,7:109386-109397.