[论文解读] 1D Convolutional Neural Network Models for Sleep Arousal Detection

Morteza Zabihi, Ali Bahrami Rad+3 more|arXiv (Cornell University)|Mar 1, 2019

Sleep and Work-Related Fatigue参考文献 19被引用 10

一句话总结

本文提出并评估了五种用于使用脑电图（EEG）信号进行自动睡眠微觉醒检测的一维卷积神经网络（1D CNN）模型。在PhysioNet 2018基准数据集上进行训练，表现最佳的模型在精确率-召回率曲线下方面积（AUPRC）达到0.31，在受试者工作特征曲线下方面积（AUROC）达到0.84，表明一维CNN在捕捉与睡眠微觉醒相关的瞬态EEG特征方面具有有效性，超越了传统频移规则。

ABSTRACT

Sleep arousals transition the depth of sleep to a more superficial stage. The occurrence of such events is often considered as a protective mechanism to alert the body of harmful stimuli. Thus, accurate sleep arousal detection can lead to an enhanced understanding of the underlying causes and influencing the assessment of sleep quality. Previous studies and guidelines have suggested that sleep arousals are linked mainly to abrupt frequency shifts in EEG signals, but the proposed rules are shown to be insufficient for a comprehensive characterization of arousals. This study investigates the application of five recent convolutional neural networks (CNNs) for sleep arousal detection and performs comparative evaluations to determine the best model for this task. The investigated state-of-the-art CNN models have originally been designed for image or speech processing. A detailed set of evaluations is performed on the benchmark dataset provided by PhysioNet/Computing in Cardiology Challenge 2018, and the results show that the best 1D CNN model has achieved an average of 0.31 and 0.84 for the area under the precision-recall and area under the ROC curves, respectively.

研究动机与目标

• 为解决现有手动和基于规则的睡眠微觉醒检测方法在捕捉复杂EEG动态方面的局限性。
• 探究最先进的1D CNN架构（最初为语音和图像处理设计）是否能有效从EEG信号中检测睡眠微觉醒。
• 在标准化基准数据集上对五种先进的1D CNN模型进行对比评估，以识别该任务中最有效的网络架构。
• 提高睡眠微觉醒检测的准确性和可靠性，以支持对睡眠质量及潜在病理状况的更好评估。

提出的方法

• 将原本为语音和图像任务开发的五种预训练1D CNN模型，适配用于序列EEG信号分析。
• 模型使用一维卷积处理原始或预处理的单通道EEG信号，以提取分层的时间特征。
• 在PhysioNet 2018睡眠微觉醒数据集上端到端进行模型训练，采用标准深度学习优化技术。
• 使用标准指标评估性能：受试者工作特征曲线下方面积（AUROC）和精确率-召回率曲线下方面积（AUPRC）。
• 在模型之间进行消融实验与对比分析，以识别性能最佳的网络架构。
• 将输入信号分割为固定长度的窗口，以支持小批量训练和推理。

实验结果

研究问题

• RQ1 在语音和图像数据上预训练的1D CNN模型能否在EEG信号的睡眠微觉醒检测任务中有效泛化？
• RQ2 在五种选定的1D CNN架构中，哪一种在PhysioNet 2018睡眠微觉醒基准上表现最佳？
• RQ3 深度学习模型在检测睡眠微觉醒方面与传统基于规则的方法相比如何？
• RQ4 这些模型在多大程度上捕捉到了与微觉醒事件相关的瞬态EEG模式，而不仅仅是简单的频移？

主要发现

• 表现最佳的1D CNN模型在精确率-召回率曲线下方面积（AUPRC）达到0.31，表明在检测罕见微觉醒事件时具有中等水平的精确率和召回率。
• 同一模型在受试者工作特征曲线下方面积（AUROC）达到0.84，表明其在区分微觉醒与非微觉醒状态方面具有较强的判别能力。
• 对比评估揭示了五种模型之间存在显著的性能差异，网络架构设计在特征提取能力方面起着关键作用。
• 结果表明，深度1D CNN能够有效学习EEG信号中复杂的非线性模式，这些模式无法被传统的基于频率的规则完全捕捉。