基于一维宽核卷积神经网络—长短时记忆网络的单导脑电信号睡眠状态识别研究

针对睡眠脑电(EEG)信号数据不均衡分布以及多导睡眠图采集过程中舒适性差,从而降低了模型分类能力的问题,本文提出一种基于一维宽核卷积神经网络(WKCNN)和长短时记忆网络(LSTM)的单导EEG信号睡眠状态识别方法(WKCNN-LSTM)。首先,通过小波去噪,并以合成少数过采样技术(SMOTE)与托梅克联系对(Tomek)联合的算法(SMOTE-Tomek)对原始睡眠EEG信号进行预处理;其次,以一维睡眠EEG信号作为模型的输入,利用WKCNN提取频域特征并抑制高频噪声;然后,利用LSTM层挖掘时域特征;最后,全连接层采用归一化指数函数实现睡眠状态识别。实验表明,本文一维WKCNN-LSTM模型的分类准确率为91.80%,分类效果优于近年的同类研究,并且该模型具有良好的泛化性能。本研究不仅提高了单导睡眠EEG信号的分类准确率,也有利于促进便携式睡眠监测设备性能的提高。