基于生成少数类技术的深度自动睡眠分期模型

摘要

针对现阶段可用睡眠脑电数据皆为类不平衡小数据集,深度学习模型的直接迁移应用所取得的分期效果较差的问题,分别从数据集重构和模型训练优化两方面入手,提出可用于少量类不均衡原始睡眠脑电数据集的深度自动睡眠分期模型.首先,从减少决策域的角度对修改的生成少数类过采样技术(MSMOTE)进行改进,并将其用于数据集中少数类的生成;然后,用重构后的数据集对模型作预激活处理.15折交叉验证得出总体精度和宏F1值分别为86.73％和81.70％.应用改进后的MSMOTE重构的数据集对模型作预激活,可使最小类的F1值由45.16％增至53.64％.实验表明,模型可实现对少量原始睡眠脑电数据的端到端学习,总体分类效果优于近年高水平模型,适用于配备远程服务器的分体式便携睡眠监测设备.