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

睡眠是人类最重要的生理活动之一,拥有正常睡眠对维持大脑稳定和人的身心健康十分重要。世界卫生组织调查显示,27%的人有睡眠问题。研究表明,睡眠异常是心血管病、肥胖症、抑郁症和焦虑症等多种疾病的诱因

。因此,睡眠障碍已经成为威胁世界公众的突出问题。

睡眠分期是睡眠异常诊断的重要手段。在临床上,专业睡眠医师通过采集病人的多导睡眠图(PSG),并依照美国睡眠医学学会AASM睡眠分期标准

进行人工睡眠分期,分为快速眼动期(REM)、非快速眼动1期(N1)、非快速眼动2期(N2)、非快速眼动3期(N3)、清醒期(W),但是人工睡眠分期效率较低、成本高昂

。有许多基于多导信号进行自动睡眠分期的研究。Kuo等从脑电、心电、眼电信号中提取多种特征,使用堆叠的长短期记忆网络(LSTM)构建了睡眠分期模型

,实验中的最佳准确率达到83.7%;Patanaik等使用短时傅里叶变换从多通道脑电和眼电信号中提取时频图,并使用深度卷积神经网络(CNN)和多层感知机构建模型

,能够进行实时睡眠分期;Phan等同样使用短时傅里叶变换从多通道生理信号中提取时频图,并使用滤波器组和带注意力机制的双向循环神经网络(RNN)构建了SeqSleepNet模型

,在小数据集上准确率达到87.1%;Perslev等

和Jia等

分别使用U型结构的深度神经网络模型来捕获脑电和眼电信号中的显著特征和睡眠状态转换规则,能够有效进行睡眠分期。基于多导生理信号的睡眠分期模型,虽然能够得到较高的准确率,但是由于采集的信号较多,计算复杂度较大,故采用单通道生理信号进行睡眠分期,保证相同水平的准确率,同时降低生理信号采集难度、减小计算复杂度,是一个值得探索的方向

。脑电信号(EEG)能够直接反映人脑状态,在基于单通道信号的睡眠分期研究中有着天然的优势。

Supratak等基于单通道EEG使用不同大小的一维卷积神经网络和双向长短期记忆网络(BiLSTM),设计了睡眠分期模型DeepSleepNet

,并在随后的研究中对模型进行简化,构建了用小卷积核的一维CNN和长短期记忆网络组合的TinySleepNet模型

。两个模型都以单通道EEG作为输入,用39人和197人的小数据集进行了实验验证,准确率分别达到82%和85.4%;Korkalainen等使用三层堆叠的卷积池化块和BiLSTM

,基于脑电信号进行睡眠分期,在39人的数据集上准确率达到83.7%,并与脑电结合眼电的方法在多个数据集上进行了比较,结果显示准确率差异在1%以内;Qu等自然语言处理领域获得灵感,同样以单通道EEG作为输入,采用自编码器构建了睡眠分期网络

,在200人和197人的数据集上进行实验,准确率达到84.3%;Zhou等通过公式计算从单通道EEG中提取108维特征,并利用随机森林和LGB构建了双层堆叠分类器

,在8人和197人的小数据集上达到了较高的准确率;Jiang等利用频域和时域分解从单通道EEG中提取特征,并利用随机森林和隐马尔可夫模型构建分类器

,在8人、20人和61人的小数据集上准确率达到89.4%。相对于从EEG原始信号中利用CNN提取的抽象特征,利用信号分析方法能够更直观有效地提取出EEG的时频域特征。现有研究多基于小数据集进行建模,数据采集周期短,数据稳定性较高,而实际大规模应用中,不同批次的睡眠数据往往存在一定的差异性,所以模型的准确率和稳定性较差。

本文提出了一种采用小波变换和BiLSTM的脑电睡眠分期模型,预先计算单通道EEG的时频图,再利用二维卷积网络提取时频特征,进一步使用双向长短期记忆网络来捕捉睡眠状态转换规则,并使用大数据集验证,得到了性能优秀的睡眠分期模型。

1 睡眠分期模型

采用小波变换和BiLSTM的睡眠分期模型主要包含3个部分:睡眠脑电时频图的提取与压缩;二维卷积网络时频特征的提取;睡眠状态转换规则的提取与睡眠分期。采用小波变换和BiLSTM的睡眠分期模型结构如图1所示。

1.1 睡眠脑电时频图的提取与压缩

连续小波变换(CWT)是一种多尺度时频分析方法,可以由粗到细地逐步分析信号,是进行脑电信号时频分析和处理的理想工具

。

Y为工业生产总值，K为投入资本，A（t）为技术水平，L为劳动资本投入，α和β分为资本与劳动产出弹性。为便于回归分析，对上式两端取对数可得到线性生产函数：

(1)

式中:

(

)为输入的脑电信号;

为尺度;

为偏移量。

将脑电信号按照30 s时长划分为多个连续片段组成的序列,如下式

(2)

利用小波变换从原始脑电信号起始处开始,依次计算每一个30 s片段的小波时频图,直到信号末尾,如下式

(3)

连续片段的小波时频图重新组成序列,如下式

(4)

由于时频图在时间维度上过大,为降低数据维度,提高神经网络训练速度,将小波时频图通过加窗求均值的方式进行时间采样点数的压缩。将每

个点的值相加求得均值,作为压缩后的值,如下式

(5)

1.2 二维卷积特征提取

不同睡眠状态下的EEG中各频带幅度随时间的改变不同

,EEG频率的强弱是大脑活动强度的最直接体现,小波时频图能够在各频带上体现不同尺度的时频域信息。通过二维卷积网络,可以进一步提取出小波时频图中的时频域特征。依据视觉几何组(visual geometry group,VGG)提出的VGGNet

构建了一个二维卷积神经网络,如图2所示。

二维卷积神经网络主要包含4个卷积池化块,每个卷积核大小均为(3,3),卷积核的个数依次为32、48、64、72,每个卷积池化块包含2次卷积运算,1次池化运算,每层依次计算得到特征向量如下式

第二，在编制房屋拆迁肺预算方面，测绘系统的应用，其有利于相关部门全面掌握情况，进而做到科学合理的复核。

1

=CPBlock1(

)

(6)

2.2.3 实验实施

(7)

3

=CPBlock3(

2

)

综上所述，课堂提问作为语文教学中的重要组成部分之一，若想实现提问的艺术性，就要注重问题设置的启发性、审美性及创造性。在语文教学中，充分展示提问的艺术性，从而提高学生的综合素养，促进教师的教学专业性，优化语文课堂质量。

由于SHHS数据集有5 793条记录,本文以8∶1∶1的比例随机划分了训练集、验证集、测试集,即随机挑选了4 635条记录作为训练集,579条记录作为验证集,剩余的579条记录作为测试集。使用早停法在训练集和验证集上将模型最优化,最后在测试集上得到最终的性能评价。

(8)

4

=CPBlock4(

3

)

(9)

经过4个堆叠卷积和池化计算后得到特征向量

4

,再进行1次卷积池化运算进一步缩减特征维数,得到特征向量

5

如下式

5

=CPBlock5(

4

)

(10)

一是增加x波段多普勒天气雷达等局地警戒监测设施,加强对小尺度强天气的识别、发展的监测分析,提高监测预报预警的精准性;二是提高气象灾害监测站网密度,加大在全县范围内气象灾害易发区、防御薄弱区、监测空白区等地的监测站点建设,并科学增加原有区域自动气象站的监测要素;三是落实气象探测环境保护责任制,加强区域自动气象站探测环境保护。

=Reshape(

5

)

(11)

式中:

1

、

2

、

3

、

4

、

5

表示5个卷积池化块的输出;CPBlock1、CPBlock2、CPBlock3、CPBlock4、CPBlock5表示网络中的卷积池化运算;Reshape表示将时频特征展平为特征向量;

表示二维卷积网络提取出的时频特征向量。

1.3 睡眠状态转换规则提取与睡眠分期

睡眠状态转换规则具有明显的时间相关性和阶段性

。在睡眠分期规则中,当前片段的睡眠分期既要考虑前向的变化也要考虑后向的变化。长短期记忆网络通过沿着时间传递隐状态和细胞状态,能够学习到时序数据中的抽象特征

。BiLSTM

通过让两个LSTM分别独立的处理前向和后向输入序列,并将两个方向得到的特征向量组合,同时利用来自过去和未来的信息。本文使用了BiLSTM从特征图中进一步计算睡眠状态转换规则,并得到最终的睡眠分期结果。

材料中的损伤用Deform 3D软件中所带的Cockcroft-Latham准则损伤参数进行表征，其表达式为[10]：

模型采用的BiLSTM细胞核数为128,丢弃概率为0.5,采用双向结构,通过BiLSTM得到前向和后向的隐向量,如下式

(12)

(13)

(14)

2 数据集和实验结果

2.1 数据集

2.2.1 数据扩充

实验选用了C3-A2通道的EEG,降采样到100 Hz,并且将每条记录按照30 s一个片段进行分段。本文采用了两种样本分割方式:以单个30 s片段作为样本进行预训练;以连续多个30 s片段组成的序列作为样本进行微调。

2.2.2 改进的粗粒度划分AP聚类 通过利用类内和类间距离来构造样本数据点之间的相似性，使得聚类算法能同时考虑到样本类内的紧密程度和样本类间的离散程度.假定有n个数据，这些数据点构成N×N的相似度矩阵S′，S′(i， j) 即为样本数据点i和j之间的相似度，根据公式(9)可得：

由于每个记录的开始和结束部分包含长时间清醒阶段,本文对数据进行了清洗,表1为数据分割清洗后每类睡眠阶段数的统计,其中

表示每类睡眠阶段数占所有睡眠阶段数的比例。以第一个睡眠期出现之前30 min为新起始点,以最后一个睡眠期结束30 min后为新终止点,丢弃原起始点和新起始点之间的清醒阶段以及新终止点和原终止点之间的清醒阶段。AASM标准相比R&K标准应用更广泛,故去除了标记为运动和未知的阶段,将睡眠标注转化为AASM标准中的W、N1、N2、N3、REM 5类。

2.2 睡眠分期模型训练过程

睡眠心脏健康研究(SHHS)

由美国心肺血液研究所开展,从多个中心收集数据,旨在确定睡眠呼吸障碍和心血管疾病的关联。数据子集1包含5 793名被试者的PSG记录,其中EEG采集两通道数据(C4-A1、C3-A2),采样频率为125 Hz。睡眠专家根据R&K标准标注睡眠阶段。

由表1可得,虽然数据清洗去除了部分清醒期,但是整个数据集仍然处于极其不均衡的状态,N1睡眠阶段数远远小于其他睡眠阶段数。为了增强模型对小类别的判别能力,进一步使用数据扩充方法处理数据集,并在训练VGG时使用数据扩充后的数据。数据扩充过程如下:首先统计每个睡眠记录中所有睡眠阶段数,以最多数作为数据扩充上限。然后对于数量不足的睡眠阶段,随机选取样本进行复制,直到此类睡眠阶段数达到数据扩充上限。通过复制扩充了小类别的样本数,使数据集整体达到均衡状态。

2.2.2 训练算法

为了强化模型对于不平衡数据集的学习和判别能力,通过数据扩充进行了数据增强,提高了模型的性能和鲁棒性

,但是这破坏了原有的时序连续性

,无法使用BiLSTM直接进行学习。因此采用了两步训练的方法,即第一步先使用扩充后的均衡数据集训练VGG,第二步微调过程中再将VGG隐藏层连接到BiLSTM,使用原始数据集进行微调学习。

具体来说,第一阶段训练时,在VGG的最后一层隐藏层后拼接一个全连接层,以Softmax作为激活函数,单个30 s片段作为输入,对应的标签作为输出,使用Adam优化器,学习率设置为10

,并用早停法决定停止学习的epoch。在训练结束后,丢弃Softmax层及相应的参数,将特征图展平。

夏季的庐山很热闹。合面街是最繁华的商业街，从合面街到河南路口是单面街。河南路口对面，现在的振豪超市，原是赫赫有名的胡金芳大旅社，门面后背的一大片房屋也属于它。观光客多选择在这里住，临街近，方便。当年的胡金芳大旅社声名远播，生意远胜于仙岩饭店。

在第二阶段微调时,将训练好的VGG参数导入到完整的网络模型中,以连续50个片段组成的序列作为输入,对应的标签序列作为输出,使用Adam优化器,对于训练好的VGG设置较小的学习率10

,对于还未训练的BiLSTM设置原本的学习率10

,以避免网络过拟合,并用早停法决定停止学习的epoch。

小波变换的公式如下

2

=CPBlock2(

1

)

将特征展平得到时频特征向量

,如下式

（6）排水消音速流三通也同样具备顺水三通的效果，且为偏心三通，是有连接排水立管的竖向管体和连接横管的侧面管体构成，侧面管体呈右侧向偏心向下螺旋形，与竖向管体右侧相连接，这样可以避免横管的水流直接冲击对面的管壁从而起到降噪作用。

基于Python编程语言(版本号3.7),使用Pytorch1.8深度学习框架实现了本文的模型,实验平台配置为:CPU型号为Intel(R) Xeon(R) Gold 6240 CPU @ 2.60 GHz,内存容量为256 GB,GPU型号为NVIDIA GeForce RTX 3090。模型实际训练花费时间约为10 h。

2.2.4 评价方法

使用准确率(

)、每类精度(

)、每类召回率(

)、每类F1分数(

)、宏平均F1分数(

)和Cohen’s Kappa系数(

)来评估模型的性能。F1分数能够较为精准地评估模型不平衡数据分类的性能,宏平均F1分数为各类F1分数的均值。Cohen’s Kappa系数能够综合反映模型分期结果和睡眠专家分期结果之间的一致性。

、

、

、

、

和

的表达式如下

(15)

(16)

(17)

(18)

(19)

(20)

(21)

式中:

、

、

、

是实验分类结果中各类别的数量,

为真阳性,表示分类正确的正例;

为假阳性,表示分类错误的正例;

为真阴性,表示分类正确的反例;

为假阴性,表示分类错误的反例;

与

相等,表示总体的准确率;

表示每一类真实的样本个数;

表示模型预测出来的每一类预测的样本个数;

为样本总数。

有机氮含量、温度、水分、土壤动物、土壤微生物、质地和耕作方式等都会对土壤氮矿化有所影响，特别是温度和水分是氮矿化的主要影响因素，并且他们存在明显的交互作用。不同的耕作方式影响土壤的容重、孔隙度、理化性质等，间接导致了土壤氮矿化过程的差异。很多学者研究的免耕措施会导致农田二氧化氮排放量增加。

2.3 实验结果对比与分析

模型在SHHS数据集上进行了实验,表2给出了3个不同的基线模型和本文提出的模型的对比结果。3个基线模型包括DeepSleepNet(DSN)、TinySleepNet(TSN)和SeqSleepNet(SSN)。DeepSleepNet使用不同大小的一维CNN提取抽象特征,并利用BiLSTM学习睡眠阶段之间的转换规则;TinySleepNet使用简单的CNN和单向LSTM构建的睡眠分期模型;SeqSleepNet由滤波器组和用于编码睡眠序列信息的双向RNN组成。原文使用了EEG、EOG、EMG三通道数据,为形成有效对比,复现时仅使用了EEG通道。

对比的参数包括准确率

、

、

和

。由于基线模型没有在SHHS上进行过实验,根据论文中的描述,重新实现了基线模型并在SHHS上进行了实验。与其他模型相比,本文的模型整体表现最好,在整体的评价指标上均达到了最高,并且由于采用了数据扩充算法,增强了模型对N1阶段等小样本类别的学习能力,所以本文的模型对于N1阶段的识别能力也较为优秀。

使用原始脑电信号作为输入的网络,例如DeepSleepNet和TinySleepNet等能够在一定程度上划分不同的睡眠周期,但是采用原始信号作为输入无法完全捕捉到不同睡眠阶段的时频特征;SeqSleepNet模型使用了短时傅里叶变换和滤波器组捕捉脑电信号中的时频特征,所以其性能相对较好,但是本文的模型利用连续小波变换更有效地捕捉了时频特征,因此比其他模型有更好的表现。

多数基线模型在SHHS数据集上未能完全表现出原本的性能,这是由于生理信号数据的稳定性易受采集时间、地点、设备等客观因素影响,基线模型使用的小数据集PSG记录数为39或153,采集周期较短、采集地点固定,数据较为稳定,所以基线模型表现较好。SHHS数据集记录数多达5 793,采集周期长,受客观因素影响数据稳定性较低,所以基线模型在SHHS数据集上性能有所降低。

3 方法优化的考虑

3.1 小波时频图时间采样点数对模型性能的影响

为确定连续小波变换得到的时频图时间采样点数大小对于模型性能的影响,进行了不同时间采样点数的比较实验。原时频图采样时间为30 s,采样频率为100 Hz,由采样时间乘采样频率可得时间采样点数为3 000(100 Hz×30 s)。将原本时间采样点数为3 000的数据通过加窗求平均值的方式,压缩为原本的1/200、1/100、1/50、1/30、1/25、1/20、1/15、1/12,得到新的时频图时间采样点数分别为15、30、60、100、120、150、200和250,实验结果如图3所示。

塌陷主要形成于2017年10月16～17日的降雨期间和11月20日的人工降雨期间，短时间较强降水导致第四系土层含水量大大增加，土体重度增加，地下水补给径流加快，水位变幅频繁，在上覆土体自重、动静水压力及土洞真空吸蚀(负压)等共同作用下，产生地面塌陷。降雨前后，天气比正常年份雨水偏少，出现较明显的干旱，不仅改变了地下水动力条件，也造成土壤干裂，为地表水的入渗提供了良好通道。

从实验结果可得,当时间采样点数小于200时,模型性能较低,当时间采样点数等于200时,模型性能达到最高,且在超过200时模型性能不再明显提升,因此最终确定时间采样点数为200。

(3) 坑内疏干降水效果不佳。积水沿连续墙向下渗透，造成土体含水量增加，土体的工程性能降低，基坑内被动区土压力减小，嵌固端向基坑内位移。

3.2 LSTM与BiLSTM性能比较

为了确定LSTM双向结构相对于单向结构的性能提升,设计并进行了LSTM与BiLSTM的实验结果比较,如图4所示。LSTM为128个记忆单元的单层单向结构;BiLSTM为128个记忆单元的单层双向结构。

图4中

表示N1阶段的F1分数,

表示N2阶段的F1分数,

、

、

为整体性能指标。BiLSTM的各项评价指标均优于LSTM。这是由于在睡眠分期中,相比于单向结构的网络,双向结构的网络和睡眠状态转换规则更加契合。睡眠状态转换规则不是一个在时间上单向确定的规则,在人工睡眠分期的过程中,睡眠专家通过睡眠状态转换规则和相邻的已确定的睡眠阶段来确定当前睡眠阶段,这不只包括之前的睡眠阶段,也包括之后的睡眠阶段。只有采用双向结构,同时考虑前向和后向,才能更完整的捕捉睡眠状态转换规则。

3.3 数据扩充和两步训练算法的作用

在第一阶段训练二维卷积神经网络时,采用了数据扩充算法来强化模型对于小样本类别的学习能力,并且进一步使用微调的方法调整模型。为了证明数据扩充和两步训练算法的有效性,设计并进行了实验,结果见表3。不扩充指不使用数据扩充和两步训练算法,模型直接以连续序列数据作为输入进行一步训练;复制扩充指本文所使用的数据扩充算法,使用复制的方式进行数据扩充,并使用两步训练算法完成模型训练;平移扩充指使用平移数据的方式扩充数据,即将小样本片段随机左右平移0～3 s的数据扩充算法,保持样本标签不变,并使用两步训练算法完成模型训练。

从表3结果可得,数据扩充和两步训练算法对于模型性能提升有显著效果,模型在第一阶段,通过数据扩充算法,强化了对于小样本类别的识别能力,这使得模型的性能大大提升;同时,不同的数据扩充算法对于模型性能的影响不显著,为了减少计算复杂度,本文没有采用更复杂的平移扩充算法,而是使用了简单且有效的复制扩充算法。

4 结论和展望

本文采用小波变换和BiLSTM构建了一种单通道脑电睡眠分期模型,利用连续小波变换针对不同睡眠状态EEG中各频带分布不同的特性,计算睡眠脑电的时频图;利用基于VGGNet的二维卷积网络提取其中的时频域信息,进一步使用BiLSTM,有效提取睡眠状态转换规则并进行睡眠分期。针对数据集中睡眠阶段数不均衡的特点,采用了数据扩充和两步训练算法训练模型,并在大数据集上进行了测试。睡眠分期5分类的准确率

达到85.82%,

达到78.39,

达到0.799。本文构建的模型精度更高、稳定性更好,证实了小波变换提取睡眠EEG时频域信息相比于一维卷积网络直接计算更有效。

第一，公路桥梁养护技术水平的缺失。公路桥梁的内部结构十分复杂与繁琐，有关部门在对其进行养护时需要运用具有现代化技术水平的设备和高素质的工作人员；与此同时，公路桥梁的养护工作还需要技术人员定期对其进行检查及时发现其中的安全隐患并采取有效的措施进行管理。但是大多数工作人员在实际工作中很少会高效完成工作。其主要有以下原因：一方面是公路桥梁养护设备的配备不足，工作人员对于公路桥梁中的问题经常会出现检测不到位的现象；另外一方面是公路桥梁养护人员的施工技术水平不够，这些因素经常引起公路桥梁养护的安全隐患[2]。

防治措施：在播种之前可以选用玉米生物型种衣剂进行拌种。或者可以选用2.5%咯菌腈悬浮种衣剂按照1∶500的比例进行配比，拌种10千克。可以有效预防基腐病的发生。并且应该在播种期，采用46.1%氢氧化铜水分散粒剂按照1∶1500的比例进行调和，或者可以选用12.5%氯溴异氰尿酸水溶性粉剂按照1∶1000的比例进行配比，进行对植株的茎部的喷淋，起到有效的预防作用。

本文的方法仍有一些不足之处:数据扩充和两步训练算法虽然能够提升睡眠分期N1阶段的精度,但是无法彻底消除样本数不均衡的影响,未来仍需要不断探究更好的均衡策略;时频图需要经过压缩才能够利用二维卷积网络进一步提取特征,而时间采样点数的减小定然会造成时域信息的损失,进而影响模型的精度,未来仍需改进模型结构,弥补时域信息的损失。

:

[1] 赵忠新.睡眠医学 [M].北京:人民卫生出版社,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] 徐富献,王抒伟,钱镶钰,等.睡眠自动分期方法综述 [J].生物物理学,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] 胡勤伟,陶庆,王妮妮,等.用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法 [J].西安交通大学学报,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,吴锦涛,周前祥,等.睡眠-觉醒节律紊乱下注意诱发脑电特征分析与识别 [J].航天医学与医学工程,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] 陈保家,陈学力,沈保明,等.CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用 [J].西安交通大学学报,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.