前面总结了 DeepSleepNet 这篇论文，其是在原始的 EEG 数据上搭建 CNN 和 LSTM 混合模型来实现自动睡眠分阶任务的。而 SleepNet 不只在原始数据上训练，还在其他类型的特征上训练，并比较了不同模型的性能，最后将最优模型部署在 web 应用中，还对部署例子进行了一些研究。
整体结构
结构分为两个部分，一个是训练模块，一个是部署模块。在训练模块中会训练并比较多个模型的效果，选出最优模型，然后在部署模块中将最优模型通过 Docker 容器部署并应用。
在部署模块中，部署的是一个 web 应用。该应用可以加载来自临床（如睡眠研究所等）的新 PSG 文件，并自动进行睡眠分阶标注。同时通过该 web 应用的接口可以展示原始的 EEG 数据，光谱图及一些重要的汇总统计，如下图所示：
特征提取
EEG 由记录在大脑区域的局部电压电位组成。通常，脑电图信号是从放置在头部多个区域的电极上采集的，这些电极在脑电图数据中表示为不同的通道。所收集的脑电图数据的长度因临床任务的不同而不同。EEG 数据在 PSG 中由 6 个不同的通道组成：F3，F4，C3，C4，O1 和 O2。通常后面会跟上 M1 或者 M2 来联合表示，其中 M1 或 M2表示对侧乳突。
该论文遵从的是 AASM 睡眠分阶准则，睡眠分阶包括这五个阶段：W，N1，N2，N3，R。具体可看Sleep scoring 睡眠评分这篇文章关于睡眠分阶的介绍
数据集使用的是 10000 个病人，每人整晚 8 小时的 PSG 数据。这在当时是最大的数据集和 EEG 的分类问题。
在训练模块，论文里使用了下面 3 种不同类型的特征，并在后面实验阶段进行了比较：
-
Raw EEG 原始的脑电图数据
原始的脑电图数据被表示成三路的张量数据，送入模型训练。
-
Spectrogram 光谱图
光谱图显示的是频域的 EEG 数据信息。可以通过傅里叶变换来转换数据。
-
Expert Defined Features 专家定义的特征
从时间域和频率域提取了一些专家定义的特征。
实验结果
-
RNN 是最好的模型，N1 是最难分类的一个阶段
可以发现使用 RNN 模型是最好的选择。下面是提取的 RNN 模型的混淆矩阵，能够发现 N1 （非快速眼动时期的第一个阶段）是最难识别的一个阶段，这符合临床预期。
- 作用于原始数据上时，训练会很耗时
- 作用于专家定义的特征上时，评分会很耗时
部署研究
作者使用 Docker 容器在两个不同的临床环境进行了部署研究。一个是睡眠实验室环境：在睡眠实验室，技术人员已经具备了对睡眠阶段的脑电图数据进行注释的专业知识，并正在寻找工具来帮助加快注释过程，确保更好的质量；另一个是神经内科 ICU 环境：在这个环境中，患者(如癫痫患者)有连续的脑电图数据，而临床医生可能没有能力或时间提供高质量的睡眠阶段注释。
-
在实验室环境中得到的反馈如下：
该工具符合快速工作的流程，提供了典型的 PSG 说明。可视化很自然，并展示了技术评分和算法评分之间的差异。SleepNet 可以说是达到了实验室的核心设计目标。 -
在 ICU 环境下得到的反馈如下：
睡眠不足是重症幸存者最常见的抱怨也是最多的抱怨之一。但 ICUs 缺乏测量睡眠的能力，除非在专业的研究中。而且通常睡眠分析很耗费时间，需要很多以外的专业知识。在这个部署的初步研究中，SleepNet 允许医生们在不增加重要临床工作的情况下，快速描述单个 ICU 患者的睡眠特征。让他们能够证实以前 ICU 关于睡眠的研究发现：睡眠是经常被严重干扰的。随着进一步的发展，该系统可能允许对 ICU 患者的睡眠进行常规且全面描述，以前由于限制，该系统还无法实现。
网友评论