DAO:延迟对抗性优化效果;神经网络的领域不变特征,用于自动睡眠分期
《Applied Soft Computing》:DAO: Delay adversarial optimization gains Domain-invariant feature of neural networks for automatic sleep staging
【字体:
大
中
小
】
时间:2026年05月05日
来源:Applied Soft Computing 6.6
编辑推荐:
詹鳌黄|邵飞英|贾欣茜|李晓杰|吴曦成都信息科技大学计算机科学学院,中国成都610225摘要睡眠分期是脑功能监测与调节之间的关键环节。当前基于深度学习的方法为自动睡眠分期建模中的特征学习开辟了新的范式。然而,大多数深度学习模型仍然缺乏对睡眠信号领域不变特征的鲁棒性,这使得它们无法
詹鳌黄|邵飞英|贾欣茜|李晓杰|吴曦
成都信息科技大学计算机科学学院,中国成都610225
摘要
睡眠分期是脑功能监测与调节之间的关键环节。当前基于深度学习的方法为自动睡眠分期建模中的特征学习开辟了新的范式。然而,大多数深度学习模型仍然缺乏对睡眠信号领域不变特征的鲁棒性,这使得它们无法有效处理个体差异和数据不平衡问题。在本文中,我们提出了一种延迟对抗优化神经网络方法,以改进自动睡眠分期任务中领域不变特征的学习。具体而言,我们引入了神经崩溃的简单等角紧框架(ETF)来描述睡眠信号的领域不变特征。通过对不平衡的分期特征进行约束,使学习过程与平衡数据的ETF对齐。然后,为了模拟不同受试者之间的个体差异数据特性,我们通过扰动分期模型的损失来生成对抗性少数样本。此外,我们建立了一种ETF联合优化策略来微调分期模型,以实现领域不变特征的增强。我们在MASS和Sleep_EDF数据集上对提出的方法进行了跨受试者测试实验验证,测试结果表明我们的方法在处理个体差异问题方面具有更多优势。
引言
近年来,睡眠障碍和注意力不集中已成为对人类健康的常见威胁[1], [2]。缓解这些问题的核心技术是睡眠监测与调节,而建立这种联系的关键是睡眠分期[3], [4]。临床上,可以通过分析多导睡眠图(PSG)信号来进行睡眠分期[5], [6],包括脑电图(EEG)、眼电图(EOG)、肌电图(EMG)、心电图(ECG)以及相关生理信号。然而,自动睡眠分期是一个复杂的过程,耗时且劳动密集,并需要高水平的临床专业知识[7], [8]。幸运的是,当前的深度学习技术为自动睡眠分期提供了新的可能性[9], [10], [11]。它们的自动特征提取、跨模态学习和强大的非线性拟合能力完美匹配了PSG信号的复杂性。
理论上,睡眠分期是深度学习中的一个时间序列分类问题。任何时间序列分类方法,如时间序列轻量级自适应网络(TSLANET)[12]、双注意力细化网络(DARNET)[13]和图感知对比学习[14],都可以应用于睡眠分期任务。它们的多变量时间序列自然对应于PSG信号的多通道属性。然而,睡眠分期是特定于任务的,将时间序列学习方法转移到睡眠分期任务通常需要特定的算法优化或模型架构调整以适应任务变化。此外,受试者、环境、干扰源和测试误差都可能导致显著的个体差异[15]。对于深度学习模型而言,个体差异意味着训练数据无法覆盖所有睡眠模式,这在新受试者测试时容易导致泛化性能下降。提高深度学习模型中特征表示的鲁棒性对于解决个体差异问题至关重要。特别是,重新平衡[16], [17], [18]和持续学习[20], [21], [22]通过解决数据不平衡和领域不变特征学习问题,为深度睡眠分期模型的特征学习能力提供了新的潜力。然而,这些方法遵循隐式的数据驱动学习过程,从经验分布中提取特征。它们缺乏精确的领域不变优化目标,且学习到的特征质量难以控制。
在本文中,我们为深度学习模型中的睡眠分期提出了一个显式的领域不变特征学习范式。我们的动机是引入ETF来学习睡眠信号的领域不变特征,并将睡眠分期模型从不平衡学习转变为平衡学习。具体来说,我们开发了一种延迟对抗优化(DAO)神经网络。通过生成对抗性少数样本来模拟个体差异,并采用ETF联合优化策略来获得领域不变特征。我们对DAO进行了跨受试者测试实验,测试结果表明DAO在解决个体差异问题方面表现出更优的性能。本文的主要贡献总结如下:
- •
对于自动睡眠分期任务,我们将隐式的数据驱动特征学习转变为显式的ETF调节学习,提供了更稳定的初始分期特征模式。
- •
为了模拟不同测试受试者之间的个体差异,我们通过梯度上升学习规则合成对抗性少数样本,形成了更广泛的睡眠数据域。
- •
此外,为了增强睡眠分期预测对个体差异的适应性,我们开发了一种ETF联合优化策略,同时学习对抗性少数样本和原始睡眠信号,扩大了模型的数据适用性。
本文的其余部分结构如下:第2节回顾了睡眠分期和深度学习特征增强的相关工作。第3节提供了DAO的详细信息。第4节进行了实验和结果分析。第5节总结了整篇论文。
章节片段
相关工作
在本文中,为了使我们的综述更有针对性,我们专注于睡眠分期的深度学习方法,而不是通用时间序列分类方法。这里,我们将睡眠分期任务中的深度学习方法大致分为基于卷积的方法、基于循环的方法和基于变换器的方法。鉴于深度学习在特征学习方面的潜在优势,我们还简要分析了现有的特征增强技术,如重新平衡学习和持续学习
方法
DAO是一种具有显式领域不变特征设计的新型深度睡眠分期神经网络方法。总体框架如图1所示。如图1所示,我们首先进行ETF正则化以学习领域不变特征。然后,我们合成对抗性少数样本来模拟个体差异并缓解数据不平衡问题。最后,我们开发了一种ETF联合优化策略,建立了对抗性优化之间的联系
实验与结果
我们在MASS [46]和SLEEP_EDF [47]数据集上验证了DAO的性能。进行了跨受试者测试,以评估个体差异和对抗性生成分析。在相同的实验设置下,我们比较了重新平衡学习和持续学习方法在获取领域不变特征方面的有效性。此外,我们进行了统计测试和消融研究,证明了测试结果的统计显著性,并展示了各组成部分
结论
在本文中,我们开发了一种新型的深度神经网络方法用于自动睡眠分期任务。具体来说,我们通过引入ETF到睡眠信号中,实现了显式的领域不变特征设计。将不平衡学习的特征表示约束为接近平衡学习的ETF。在这里,我们使用ETF正则化预训练了DISA模型,生成对抗性少数样本以模拟不同受试者的个体差异。然后,预训练的DISA
CRediT作者贡献声明
詹鳌黄:撰写——审稿与编辑,撰写——原始草稿,可视化,验证,监督,资源管理,项目管理,方法论,调查,形式分析,数据整理,概念化。邵飞英:撰写——审稿与编辑,形式分析,数据整理,概念化。贾欣茜:调查,资金获取,数据整理,概念化。李晓杰:撰写——审稿与编辑,形式分析,概念化。吴曦:监督,
利益冲突声明
作者声明他们没有已知的会影响到本文报告工作的竞争性财务利益或个人关系。
致谢
本文得到了四川省科学技术厅(2024YFG0012)项目的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号