基于同步挤压变换与序列表示学习的单通道脑电图睡眠阶段分类

《Scientific Reports》：Single-channel EEG sleep stage classification using synchrosqueezed transform and sequential representation learning

　　

摘要

准确的睡眠阶段分类对睡眠研究和临床实践都至关重要，但由于脑电图信号的复杂性以及不同睡眠阶段之间的特征重叠，这一任务仍然具有挑战性。本研究基于Sleep-EDF数据集中的单通道脑电图信号，提出了一种新的三阶段分类方法。我们重点关注Fpz-Cz通道，运用同步挤压变换将信号转换为时频表示。为应对长度为3000个样本的复杂信号分类问题，我们首先将每30秒的信号段分割成更小的256个样本片段。在第一阶段，使用卷积神经网络对这些片段进行训练，以确定模型的初始权重。在第二阶段，通过对比学习进一步优化编码器，提升不同睡眠阶段特征的分离度。这种两步预训练为特征提取奠定了坚实基础。在第三阶段，我们再次处理完整的3000个样本信号，以时间分布式方式运用预训练好的编码器，从256个样本的窗口中提取特征。这样一来，编码器可以处理每个信号片段，提取出的特征随后会被传递给两个堆叠的门控循环单元，用于捕捉长期依赖关系，从而实现最终分类。该模型达到了83%的准确率，充分证明了我们的方法在睡眠阶段分类方面的有效性。