王丹丹，夏斌

　　(上海海事大學(xué)， 上海 201306）

　　摘要：隨著模式識(shí)別技術(shù)的發(fā)展與應(yīng)用，睡眠自動(dòng)分期方法正在逐漸取代手動(dòng)分期研究。文章使用深度置信網(wǎng)絡(luò)（Deep Belief Network, DBN）和長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)(Long ShortTerm Memory Recurrent Neural Network, LSTMRNN)這兩種方法對(duì)眼電(Electrooculogram, EOG)通道的數(shù)據(jù)進(jìn)行睡眠自動(dòng)分期。LSTMRNN方法(平均準(zhǔn)確率83.4%)相對(duì)DBN(平均準(zhǔn)確率75.6%)在基于眼電信號(hào)的睡眠分期問(wèn)題上取得了更好的效果。

　　關(guān)鍵詞：DBN；LSTM-RNN；睡眠自動(dòng)分期；EOG

0引言

　　睡眠與人的健康息息相關(guān)。充足的睡眠可以消除疲勞，保證日常生活的正常進(jìn)行，但是由于生活節(jié)奏的加快和壓力的增大，現(xiàn)代人通常都存在不同程度的睡眠障礙。有調(diào)查顯示，成年人存在睡眠障礙的比例高達(dá)30%。睡眠障礙會(huì)導(dǎo)致大腦功能紊亂，對(duì)身體造成多種危害，嚴(yán)重影響身心健康。因此對(duì)睡眠狀況進(jìn)行研究，了解睡眠質(zhì)量，可以及早地診斷和治療隱藏疾病。睡眠分期是將睡眠過(guò)程分為不同的狀態(tài)。根據(jù)參考文獻(xiàn)［1］，睡眠過(guò)程分為三種狀態(tài)：清醒狀態(tài)(Awake)、非眼球快速運(yùn)動(dòng)睡眠狀態(tài)(NonRapid Eye Movements, NREMS)和眼球快速運(yùn)動(dòng)睡眠狀態(tài)(Rapid Eye Movements, REMS)。其中NREMS細(xì)分為四個(gè)狀態(tài)：S1~S4，分別代表淺度睡眠、輕度睡眠、中度睡眠和深度睡眠。

　　睡眠分期的方法主要有兩類(lèi)：一類(lèi)是基于R&K準(zhǔn)則，需要經(jīng)驗(yàn)豐富的專(zhuān)家對(duì)數(shù)據(jù)進(jìn)行目測(cè)分類(lèi)，這種方法不僅耗時(shí)費(fèi)力，而且易受專(zhuān)家主觀(guān)因素影響。另一類(lèi)是睡眠的自動(dòng)分期方法，其用模式識(shí)別算法自動(dòng)對(duì)數(shù)據(jù)提取特征和進(jìn)行分類(lèi)。目前使用較多的有支持向量機(jī)(Support Vector Machine, SVM)、隨機(jī)森林(Random Forest)、人工神經(jīng)網(wǎng)絡(luò)等。

　　由于深度學(xué)習(xí)可以自動(dòng)提取特征，通過(guò)組合低層特征形成更加抽象的高層特征［2］，因此本文利用兩種深度學(xué)習(xí)網(wǎng)絡(luò)分別對(duì)EOG進(jìn)行分期研究，并對(duì)分期結(jié)果進(jìn)行比較。

1方法概述

　　1.1深度置信網(wǎng)絡(luò)

　　深度置信網(wǎng)絡(luò)（Deep Belief Network,DBN)是Hinton在2006年提出的［3］。它由一系列受限玻爾茲曼機(jī)(Restricted Boltzmann Machines, RBM)組成。DBN網(wǎng)絡(luò)的核心思想是將RBM堆疊在一起，訓(xùn)練出權(quán)值，將這個(gè)權(quán)值作為神經(jīng)網(wǎng)絡(luò)權(quán)值的初始值，再用經(jīng)典的梯度法去訓(xùn)練網(wǎng)絡(luò)。本文中用到的DBN結(jié)構(gòu)如圖1所示。DBN網(wǎng)絡(luò)共有5層：輸入層、3個(gè)隱層、標(biāo)簽層。隱層的單元個(gè)數(shù)分別為500、200、100。DBN的訓(xùn)練過(guò)程包括三步：(1) RBM的訓(xùn)練，需將數(shù)據(jù)劃分為小批量的數(shù)據(jù)，HINTON G E在參考文獻(xiàn)［4］中提出小批量數(shù)據(jù)的大小minibatche設(shè)置為10~100，本文中設(shè)置為60，訓(xùn)練迭代次數(shù)epoch設(shè)為10。 (2)將RBM訓(xùn)練得到的權(quán)重作為DBN網(wǎng)絡(luò)的初始值進(jìn)行訓(xùn)練。設(shè)置minibatche為1 000，epoch為30。(3)進(jìn)行有監(jiān)督微調(diào)，學(xué)習(xí)率設(shè)置為0.03。

　　1.2長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)

　　將每個(gè)受試的EOG數(shù)據(jù)看做一個(gè)序列，由于序列節(jié)點(diǎn)之間存在時(shí)序相關(guān)性，因此預(yù)測(cè)模型要具有記憶功能，能夠包含序列的遠(yuǎn)距離信息。而遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)恰好滿(mǎn)足這一要求。RNN含有從單元的輸出到單元的輸入的連接（即含有遞歸連接），因此可以利用其內(nèi)部的記憶來(lái)處理具有時(shí)序的輸入序列。然而，傳統(tǒng)的RNN存在梯度消失和梯度激增的問(wèn)題，導(dǎo)致遠(yuǎn)距離的信息不能有效地被利用。為了解決這一問(wèn)題，HOCHREITER S和SCHMIDHUBER J在1997年提出了一種新的RNN網(wǎng)絡(luò)——長(zhǎng)短時(shí)記憶遞歸神經(jīng)網(wǎng)絡(luò)（LSTMRNN），它使用記憶模塊取代傳統(tǒng)RNN的隱層單元，通過(guò)記憶細(xì)胞內(nèi)部狀態(tài)的自反饋和輸入輸出門(mén)對(duì)誤差的截?cái)?，解決了梯度消失和激增的問(wèn)題。LSTMRNN可以學(xué)習(xí)長(zhǎng)度超過(guò)1 000的序列［5］。本文中使用的是具有忘記門(mén)的記憶模塊，結(jié)構(gòu)如圖2所示。

　　LSTM層的權(quán)重的計(jì)算主要包括兩個(gè)過(guò)程：前向傳播和后向傳播。

　　Xt表示t時(shí)刻的輸入向量，W表示輸入權(quán)重矩陣，R表示遞歸權(quán)重矩陣，b表示偏置單元。門(mén)的激活函數(shù)σ通常指的是sigmoid函數(shù)。記憶細(xì)胞的輸入輸出激活函數(shù)(g和h)通常是tanh函數(shù)。E表示損失函數(shù)，兩個(gè)向量之間的點(diǎn)乘用“·”表示。

　　前向傳播就是依次按照順序計(jì)算模塊內(nèi)部各個(gè)組成部分的輸入輸出直至得到記憶模塊的輸出。

　　模塊輸入：

　　zt=g(WzXt+Rzyt－1+bz)(1)

　　輸入門(mén)輸出：

　　it=σ(WiXt+Riyt－1+bi)(2)

　　忘記門(mén)輸出：

　　ft=σ(WfXt+Rfyt－1+bf)(3)

　　記憶細(xì)胞輸出：

　　ct=zt·it+ct－1·ft(4)

　　輸出門(mén)輸出：

　　ot=σ(WoXt+Royt－1+bo)(5)

　　模塊輸出：

　　yt=h(ct)·ot(6)

　　后向過(guò)程就是從最后一個(gè)時(shí)間將積累的殘差E傳遞回來(lái)。在此過(guò)程中采用的是BPTT［6］(Back Propagation Through Time)算法。

　　在本文中，將每30 s的數(shù)據(jù)作為一個(gè)時(shí)間步長(zhǎng)進(jìn)行輸入，輸出長(zhǎng)度為6的向量，因此使用到LSTMRNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中TimeDistributedDense層是一個(gè)基于時(shí)間維度的全連接層。學(xué)習(xí)率和網(wǎng)絡(luò)單元個(gè)數(shù)是圖3LSTMRNN 網(wǎng)絡(luò)模型網(wǎng)絡(luò)的最重要的參數(shù)，而且各參數(shù)之間的調(diào)整可以看做是獨(dú)立的［7］，因此可以獨(dú)立地對(duì)各個(gè)參數(shù)進(jìn)行調(diào)優(yōu)。最終參數(shù)的設(shè)置為第一層全連接層單元數(shù)為500，兩層LSTM的單元個(gè)數(shù)為200、100，最后一層全連接層與第一層全連接層單元相同但是單元數(shù)設(shè)為6，batchsize為1，迭代次數(shù)epoch為128，學(xué)習(xí)率為0.003。

2實(shí)驗(yàn)數(shù)據(jù)

　　本文用到的數(shù)據(jù)是圖賓根大學(xué)采集到的9名受試者晚上的睡眠數(shù)據(jù)，他們的平均年齡為23.5歲，其中包括3名女性。在實(shí)驗(yàn)前的6周，要求受試者們保持規(guī)律的作息時(shí)間并禁止喝咖啡。在本項(xiàng)研究中使用EOG通道，信號(hào)的采樣率是500 Hz，專(zhuān)家將每30 s的數(shù)據(jù)對(duì)應(yīng)于一個(gè)標(biāo)簽。由于本文對(duì)數(shù)據(jù)做6分類(lèi)(AWAKE、S1、S2、S3、S4、REM)分析，因此只保留此6個(gè)狀態(tài)的數(shù)據(jù)。首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理操作：(1)去除兩個(gè)不同狀態(tài)轉(zhuǎn)換時(shí)對(duì)應(yīng)的數(shù)據(jù)，得到處理后各子類(lèi)數(shù)據(jù)比例如表1所示。(2)將數(shù)據(jù)進(jìn)行快速傅里葉變換，取0.5~35 Hz之間的頻域數(shù)據(jù)。(3)進(jìn)行歸一化后得到用于分期的數(shù)據(jù)。表1處理后睡眠數(shù)據(jù)各子類(lèi)比例狀態(tài)Awake S1S2S3S4REM百分比/%5.600.8154.256.2011.9821.16

3實(shí)驗(yàn)結(jié)果

　　本文中使用留一驗(yàn)證的方法，圖4展示了每個(gè)受試者DBN和LSTMRNN的分類(lèi)結(jié)果。表2和表3展示的是兩種方法對(duì)應(yīng)的混淆矩陣。通過(guò)分析結(jié)果可以得到以下結(jié)論：(1)EOG數(shù)據(jù)可以用作睡眠分期研究。(2)DBN和LSTMRNN在睡眠分期研究中都取得了較好的結(jié)果，但是LSTMRNN無(wú)論是在每個(gè)受試者的準(zhǔn)確率還是在每個(gè)狀態(tài)的分類(lèi)準(zhǔn)確率上都要優(yōu)于DBN。(3)在混淆矩陣中，S2、S4和REM的準(zhǔn)確率比其他狀態(tài)的準(zhǔn)確率高，這與處于S2、S4、REM狀態(tài)的數(shù)據(jù)在總數(shù)據(jù)中占得比例較高和各個(gè)狀態(tài)具有相似特征有關(guān)。

4結(jié)論

　　本文通過(guò)基于EOG通道的睡眠分期研究可以得出，DBN和LSTMRNN作為睡眠自動(dòng)分期方法，可以很好地自動(dòng)提取特征并進(jìn)行分類(lèi)，在處理時(shí)序序列的分類(lèi)時(shí)，LSTMRNN可以更好地利用長(zhǎng)距離信息對(duì)睡眠數(shù)據(jù)進(jìn)行分期，其分類(lèi)效果優(yōu)于DBN。

參考文獻(xiàn)

　　［1］ RECHTSCHAFFEN A，KALES A. A manual of standardized terminology，techniques and scoring system for sleep stages of human subjects［M］. Los Angeles: Brain Information Service/Brain Research Institute,1977.

　?。?］ BENGIO Y，DELALLEAU O. On the expressive power of deep architectures［C］.Proc of the 14th International Conference on Discovery Science. Berlin: SpringVerlag，2011：1836.

　?。?］ HINTON G E，OSIJDERO S，TEH Y W. A fast learning algorithm for deep belief nets［J］. Neural Computation，2006，18(7) ：15271554.

　?。?］ HINTON G E. A practical guide to training restricted Boltzmann machines［J］.Momentum，2010， 9(1)：599619.

　?。?］ HOCHREITER S， SCHMIDHUBER J. Long shortterm memory［J］.Neural Computation， 1997，9(8)：17351780.

　?。?］ GRAVES A. Supervised sequence labelling with recurrent neural networks［M］. Berlin: Springer, 2012.

　?。?］ GREFF K， SRIVASTAVA R K，KOUTNI＇K J，et al. LSTM：a search space odyssey［J/OL］. arXiv preprint. (20150313)［20160301］.http://arxiv.org/abs/1503.04069.