基于迁移学习的随机深度残差网络自动睡眠分期算法

现有自动睡眠分期算法存在模型参数量多、训练耗时长导致分期效率不佳的问题。本文使用单通道脑电信号，提出一种基于迁移学习（TL）的随机深度（SD）残差网络（ResNet）自动睡眠分期算法（TLSDResNet）。首先，选取16人共30条单通道（Fpz-Cz）脑电信号，在保留有效睡眠片段后，利用巴特沃斯滤波和连续小波变换对原始脑电信号进行预处理，得到包含其时-频联合特征的二维图像作为分期模型的输入数据。随后，构建经公开数据集——欧洲数据格式存储的睡眠数据库拓展版（Sleep-EDFx）训练的ResNet50预训练模型，使用随机深度策略并修改输出层以优化模型结构。最后，应用迁移学习对人体整夜睡眠过程进行自动分期。本文算法在进行了多次实验后，模型分期准确率达到87.95%。实验表明，TL-SDResNet50可完成少量脑电数据的快速训练，总体效果优于近年来其他分期算法与经典算法，具有一定的实用价值。