[论文解读] U-Time: A Fully Convolutional Network for Time Series Segmentation Applied to Sleep Staging

Mathias Perslev, Michael Hejselbak Jensen+3 more|arXiv (Cornell University)|Oct 24, 2019

EEG and Brain-Computer Interfaces参考文献 36被引用 130

一句话总结

U-Time 为时间序列分割引入了一个完全卷积的编码器–解码器（U-Net 风格），在不同 EEG 数据集上进行睡眠分期且无需针对任务的微调，常常超越 CNN-LSTM 基线。

ABSTRACT

Neural networks are becoming more and more popular for the analysis of physiological time-series. The most successful deep learning systems in this domain combine convolutional and recurrent layers to extract useful features to model temporal relations. Unfortunately, these recurrent models are difficult to tune and optimize. In our experience, they often require task-specific modifications, which makes them challenging to use for non-experts. We propose U-Time, a fully feed-forward deep learning approach to physiological time series segmentation developed for the analysis of sleep data. U-Time is a temporal fully convolutional network based on the U-Net architecture that was originally proposed for image segmentation. U-Time maps sequential inputs of arbitrary length to sequences of class labels on a freely chosen temporal scale. This is done by implicitly classifying every individual time-point of the input signal and aggregating these classifications over fixed intervals to form the final predictions. We evaluated U-Time for sleep stage classification on a large collection of sleep electroencephalography (EEG) datasets. In all cases, we found that U-Time reaches or outperforms current state-of-the-art deep learning models while being much more robust in the training process and without requiring architecture or hyperparameter adaptation across tasks.

研究动机与目标

• 为生理信号的时间序列分割建立一个健壮、即插即用的模型，避免使用循环结构。
• 提出 U-Time，一种面向一维时间序列（如 EEG/PSG）的完全前馈编码器–解码器（U-Net）。
• 证明在单一固定架构下即可跨多个人类睡眠研究数据集实现泛化。
• 展示密集的逐时间点分类可以汇聚为固定区间的睡眠阶段标签，而无需改变架构。
• 与 CNN-LSTM 基线及现有方法比较，以确立性能与鲁棒性的优势。

提出的方法

• 开发一个受 U-Net 启发的用于时间序列分割的完全卷积的一维编码器–解码器网络。
• 在单次前向传播中处理整个序列，输出密集的逐样本类别分数。
• 使用一个区段分类器，将密集分数在固定区间内聚合，生成最终的睡眠阶段预测。
• 采用四个编码器块，使用膨胀卷积和强力下采样以实现较大的感受野。
• 使用四个解码器块，结合转置卷积和跳跃连接以恢复时间分辨率。
• 以广义骰子损失函数进行训练，以应对类别不平衡，并采用逐被试的交叉验证方案。

实验结果

研究问题

• RQ1 一个完全卷积、前馈架构是否能够在不对每个数据集进行架构或超参数调优的情况下达到最先进的睡眠分期？
• RQ2 在使用单一固定架构的前提下，U-Time 在多样的睡眠 EEG 数据集（健康与疾病）上相较于 CNN–LSTM 基线和已发布方法的表现如何？
• RQ3 该模型是否能提供稳健的高分辨率逐时间点睡眠分期分数，并在各数据集上汇聚成标准的 30 秒标签？

主要发现

• U-Time 在七个睡眠 EEG 数据集上达到与最先进方法相同或更高的性能。
• 在跨数据集的前提下，U-Time 以固定架构和超参数与 CNN–LSTM 基线相媲美或超越之。
• U-Time 对数据集变异保持鲁棒性，不需要针对任务进行架构调优。
• 单通道 EEG 输入即可达到有竞争力的结果，多通道输入（如包含 EOG）在某些情况下可提升 REM 分类。
• 模型输出密集的逐时间点分数，可在推断时汇聚为 30 秒睡眠阶段，提升推理时的灵活时间分辨率。
• U-Time 计算效率高，能够在实际中快速对整份 PSG 进行评分。