介绍# 自建模型-eeg 2

课题

介绍

总览

睡眠阶段评分 (也: 睡眠分期) 过程大部分时间仍由训练有素的技术人员手动执行, 因此非常繁琐和耗时；

虽然已经有很多公司（飞利浦、）可以提供自动睡眠分期服务，主要原因是他们的不可靠并且软件的高费用，直到今天, 研究人员和临床医生都没有开放源码的实施或软件包；

所以我们提出了一种自动睡眠分期的神经网络模型，并与传统方法的对比

睡眠质量可以与许多与健康有关的问题, 如心血管疾病, 糖尿病或肥胖；

如何分期？

我们依据把记录的eeg数据，分成每30s一段，看形状、算频率等。。。依据AASM分期规则；

理想分期图

睡眠评分自动化与评分标准问题

许多方法已经提出来自动化睡眠评分程序，但这些方法面临以下问题和缺点:

• Lack of large training databases ： 没公开、涉及隐私问题、
• Inter-subject variability: 同一睡眠阶段的睡眠脑电图可以看起来非常不同, 取决于年龄, 目前的睡眠障碍和其他神经系统疾病。
• Inter-rater variability: 评分方式的大差异持续存在, 缺乏标签，不同医师给出的评分结果不一样。
• Duration of epochs：30s 是否是正确的评分方式，因为起初30s是因为一张纸上记录方便。

自动睡眠分期方法说明

• 构建数据库，然后新数据与数据库对比得到相似度， 以某个标准（similarity>0.8）得到分期结果。
• 结合专业医师的知识进行手动提取特征(功率谱、频谱等)， 然后结合传统机器学习的方法（KNN、决策树等）进行分类。

• 1. 频谱特征: 采用傅里叶变换或小波转换等方法从信号中提取频率分量；
     通常使用的频率来自 0.5-50 Hz, 它被分为 $\delta (0.5-4 hz)、\theta (4-8 hz)、\alpha (8-12 hz)、\beta (12-40 hz) 和 \gamma (40-100 hz), 和睡眠纺锤带 (12-16 hz)$；

  2. 时序特征：用来解释随着睡眠时间的推移大脑激活的变化。
     由于每个睡眠阶段都依赖于以前的大脑状态, 所以包含时态特征提供了有关分类的重要信息。

  3. 统计特征: 信号通常可以用简单的统计特性来描述, 例如信号的最小和最大值或零交叉点的个数, 例如检测眼球运动。其他统计指标为中值、峰值和信号偏斜度的标准差。

那么现在要做到的就是自动提取特征， 我们想到神经网络的优点；
即在没有人的偏见的情况下， 网络可以找到一组最佳特征。
缺点是这些特征可以是抽象和不可理解的为人和晦涩的决定过程 (黑盒过程)。

目标以及面临的问题

根据（睡眠评分自动化与评分标准问题）提到的缺点，我们的目标也就明确了：

• 自动提取特征，减小主观偏差，这里我们使用CNN来自动提取特征；
• 捕捉时序特征, 通过使用 LSTM 神经元的递归神经网络扩展网络, 就能提高性能；

1. 自动特征提取可以代替手动提取特征方法吗？
2. 哪些通道有助于分类，如何确保数据的平衡性？
3. 除去常用到的三通道 (EEG-脑电、EMG-眼电、EOG-肌电) 是否可以得到很好地结果？
4. 如果不考虑时序特征对模型有多大的影响？
5. 数据的泛华性能怎么样（是否适用于其他数据）？

方法

睡眠egg, 26 通道数据

在这里我们使用 8个 采样频率为 512 通道的数据；

18065920 = Durations*SampleFre = 35285s*512fs

EEG position：

7个eeg信号的9036个 30s 的数据分布：

网络模型结构说明

总的数据量结构：9036 @ （8*30x512）= 8*15360

模拟医师分期时的分期办法，不可能只看一个通道的数据；

所以是8个通道数据齐头并进， 也即： INput = N@(8x15360)，通过网络模型，对原始数据进行卷积提取特征。

结果与分析

我们可以根据混淆矩阵看得出5个分类的准确率分别是：

看得出结果刚刚“及格”，确实不是那么令人满意，不过相对与这点数据，已经是很不错的效果了。

再则我也得出了模型结果的混淆矩阵：

为什么N1的结果很低？

由于医师的分类是依据AASM规则来分期的，所以AASM规则一定程度上决定着分期准确性也即---标签的准确性

实验原因

从分期结果来看， 经过仔细对比模型的结果，和原始标签（医师）结果, 也就是 混淆矩阵（confusion matirx）：

可以看出除了其他结果都很好，但是N1的结果真的是差强人意，不过一半；

紧接着分析，看一看模型把N1都分到了哪里，看得出多数分到了W stage 和 REM stage。结合 附录的分期特征与波型表，我们也可以看出确实有一些特征重合。

数据原因

从这 7个eeg信号的9036个 30s 的数据分布可以看出数据分布是极不平衡的， 对于N3只有 202 个30s数据：

再则仔细剖析了数据的标签属性，可以看到有很多“？ ” 的标签，也就是“UNKNOW”, 当然这里指的是 “5”
这一类，因为01234分别代表 W,N1,N2,N3,R, stages;

分期规则原因

30s 是否正确？

历史上，使用30秒间隔是因为纸张速度为10 mm / s，非常适合观看alpha和锭，一页相当于30秒

N1期 — N1期睡眠是从觉醒状态到睡眠的典型过渡期。其特征是低振幅混合性脑电波频率，处于θ波范围(4-7Hz)，占一帧的至少50%。眼动通常缓慢且为旋转运动。N1期是最浅的睡眠期,可说是在清醒期与睡眠期之间的一个过渡阶段；

首先N1期是由WK期过度到Ni期的一个衔接期，相对于其他期来说，期间特征非常不明显，再则“首夜效应(first night effect)”对于医师的分类首先就是一个极大的干扰；

• 可能是患者正在进行心理调整以适应睡眠实验室监测的“首夜效应(first night effect)”，那么泛化性能肯定降低；
• 首先N1期是由WK期过度到Ni期的一个衔接期，相对于其他期来说，期间特征非常不明显，有交叉；
• N1期是所有分期里面最难分类的期，它没有相对明显固定的期特征；

由于监督学习的结果是由标签决定的，最高准确率也就是标签的准确率，所以就产生一个悖论，如果想超越标签肯定是不可能的，而改善标签的准确率，又是由医师决定的，结果可想而知。

附录