[论文解读] Sequence-based Sleep Stage Classification using Conditional Neural Fields

Intan Nurma Yulita, Mohamad Ivan Fanany+1 more|arXiv (Cornell University)|Oct 6, 2016

EEG and Brain-Computer Interfaces参考文献 23被引用 3

一句话总结

本论文提出了一种基于序列的睡眠阶段分类框架，采用条件神经场（CNF）结合深度置信网络（DBN）与模糊C均值（FCM）作为特征提取器。实验表明，在一个私有数据集上，DBN-CNF在中等训练时间下实现了99.96%的准确率，优于CRF及其他变体；而FCM-CNF在相同数据上展现出高准确率（82.7%）与高效率的平衡，验证了序列建模与特征提取方法在睡眠分期中的有效性。

ABSTRACT

Sleep signals from a polysomnographic database are sequences in nature. Commonly employed analysis and classification methods, however, ignored this fact and treated the sleep signals as non-sequence data. Treating the sleep signals as sequences, this paper compared two powerful unsupervised feature extractors and three sequence-based classifiers regarding accuracy and computational (training and testing) time after 10-folds cross-validation. The compared feature extractors are Deep Belief Networks (DBN) and Fuzzy C-Means (FCM) clustering. Whereas the compared sequence-based classifiers are Hidden Markov Models (HMM), Conditional Random Fields (CRF) and its variants, i.e., Hidden-state CRF (HCRF) and Latent-Dynamic CRF (LDCRF); and Conditional Neural Fields (CNF) and its variant (LDCNF). In this study, we use two datasets. The first dataset is an open (public) polysomnographic dataset downloadable from the Internet, while the second dataset is our polysomnographic dataset (also available for download). For the first dataset, the combination of FCM and CNF gives the highest accuracy (96.75\%) with relatively short training time (0.33 hours). For the second dataset, the combination of DBN and CRF gives the accuracy of 99.96\% but with 1.02 hours training time, whereas the combination of DBN and CNF gives slightly less accuracy (99.69\%) but also less computation time (0.89 hours).

研究动机与目标

• 为解决现有分类方法中将睡眠信号视为非序列数据的局限性。
• 评估使用条件神经场（CNF）及其变体进行序列建模在睡眠阶段分类中的有效性。
• 在序列睡眠信号分类背景下，比较DBN与FCM作为无监督特征提取器的性能。
• 在多个模型与数据集上，评估分类准确率与计算效率（训练/测试时间）之间的权衡。

提出的方法

• 采用两个多导睡眠图数据集：一个公开数据集（St. Vincent’s）与一个私有数据集（Mitra Keluarga Kemayoran），包含五个睡眠阶段：清醒、S1、S2、SWS/S3 和 REM。
• 从EEG、EOG和EMG信号中提取手工设计的特征，以保留领域特定的模式。
• 应用深度置信网络（DBN）与模糊C均值（FCM）聚类作为无监督特征提取器，生成高层表示。
• 评估基于序列的分类器：隐马尔可夫模型（HMM）、条件随机场（CRF）、HCRF、LDCRF，以及它们的神经网络变体——条件神经场（CNF）与LDCNF。
• 采用10折交叉验证，以确保所有配置下性能估计的稳健性。
• 对超参数（如聚类数g、模糊度w、网络深度）进行优化，以最大化准确率并最小化计算时间。

实验结果

研究问题

• RQ1 与非序列方法相比，使用CNF对睡眠信号进行序列建模是否能提升分类准确率？
• RQ2 在睡眠阶段分类中，DBN与FCM作为无监督特征提取器，在准确率与计算效率方面如何比较？
• RQ3 哪种特征提取器与序列分类器的组合能在准确率与训练/测试时间之间实现最佳权衡？
• RQ4 当基于DBN的模型表现不佳时，FCM-CNF在不同数据集上的性能是否依然稳健？

主要发现

• 在St. Vincent’s数据集上，FCM-CNF组合实现了最高准确率（96.75%）与最短训练时间（0.33小时），优于所有其他配置。
• 在Mitra Keluarga Kemayoran数据集上，DBN-CRF实现了最高准确率（99.96%），但训练时间达1.02小时；而DBN-CNF在0.89小时内达到99.69%的准确率，展现出性能与效率的优异平衡。
• FCM-CNF在私有数据集上平均准确率达82.7%，平均计算时间仅0.34小时，证明其作为深度学习特征提取器的快速且有效替代方案的可行性。
• 在两个数据集上，CNF模型在准确率与计算效率方面均持续优于CRF、HCRF、LDCRF与LDCNF。
• DBN在私有数据集上被证明是优于FCM的特征提取器，尽管FCM在公开数据集上也表现出色，表明其性能具有数据依赖性。
• 本研究证实，采用CNF将睡眠信号视为序列进行建模可显著提升分类性能，尤其在结合DBN等高效特征提取器时。