基于一维卷积神经网络的儿童睡眠分期

工程科学学报 Chinese Journal of Engineering 基于一维卷积神经网络的儿童睡眠分期 许力吴云肖肖冰许志飞张远 One-dimensional convolutional neural network for children's sleep staging XU Li,WU Yun-xiao.XIAO Bing.XU Zhi-fei.ZHANG Yuan 引用本文： 许力，吴云肖，肖冰，许志飞，张远.基于一维卷积神经网络的儿童睡眠分期.工程科学学报，2021,439)：1253-1260.doi: 10.13374j.issn2095-9389.2021.01.13.011 XU Li,WU Yun-xiao,XIAO Bing.XU Zhi-fei,ZHANG Yuan.One-dimensional convolutional neural network for children's sleep staging[J].Chinese Journal of Engineering,2021,43(9):1253-1260.doi:10.13374/j.issn2095-9389.2021.01.13.011 在线阅读View online::htps:ldoi.org10.13374.issn2095-9389.2021.01.13.011 您可能感兴趣的其他文章 Articles you may be interested in 基于卷积神经网络的反无人机系统声音识别方法 Sound recognition method of an anti-UAV system based on a convolutional neural network 工程科学学报.2020.42(11：1516htps:1doi.org/10.13374.issn2095-9389.2020.06.30.008 一维卷积神经网络特征提取下微震能级时序预测 Time series prediction of microseismic energy level based on feature extraction of one-dimensional convolutional neural network 工程科学学报.2021,43(7)：1003htps:ldoi.org10.13374.issn2095-9389.2020.11.22.001 卷积神经网络在矿区预测中的研究与应用 Research and application of convolutional neural network in mining area prediction 工程科学学报.2020,42(12：1597htps:1doi.org/10.13374j.issn2095-9389.2020.01.02.001 基于深度卷积神经网络的地磁导航方向适配性分析 Direction-matching-suitability analysis for geomagnetic navigation based on convolutional neural networks 工程科学学报.2017,3910：1584htps:oi.org10.13374.issn2095-9389.2017.10.018 基于集成神经网络的剩余寿命预测 Remaining useful life prediction based on an integrated neural network 工程科学学报.2020,42(10：1372htps:oi.org10.13374.issn2095-9389.2019.10.10.005 基于深度循环神经网络的协作机器人动力学误差补偿 Error compensation of collaborative robot dynamics based on deep recurrent neural network 工程科学学报.2021,43(7)：995htps/doi.org/10.13374j.issn2095-9389.2020.04.30.003

基于一维卷积神经网络的儿童睡眠分期 许力 吴云肖 肖冰 许志飞 张远 One-dimensional convolutional neural network for children’s sleep staging XU Li, WU Yun-xiao, XIAO Bing, XU Zhi-fei, ZHANG Yuan 引用本文: 许力, 吴云肖, 肖冰, 许志飞, 张远. 基于一维卷积神经网络的儿童睡眠分期[J]. 工程科学学报, 2021, 43(9): 1253-1260. doi: 10.13374/j.issn2095-9389.2021.01.13.011 XU Li, WU Yun-xiao, XIAO Bing, XU Zhi-fei, ZHANG Yuan. One-dimensional convolutional neural network for children’s sleep staging[J]. Chinese Journal of Engineering, 2021, 43(9): 1253-1260. doi: 10.13374/j.issn2095-9389.2021.01.13.011 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2021.01.13.011 您可能感兴趣的其他文章 Articles you may be interested in 基于卷积神经网络的反无人机系统声音识别方法 Sound recognition method of an anti-UAV system based on a convolutional neural network 工程科学学报. 2020, 42(11): 1516 https://doi.org/10.13374/j.issn2095-9389.2020.06.30.008 一维卷积神经网络特征提取下微震能级时序预测 Time series prediction of microseismic energy level based on feature extraction of one-dimensional convolutional neural network 工程科学学报. 2021, 43(7): 1003 https://doi.org/10.13374/j.issn2095-9389.2020.11.22.001 卷积神经网络在矿区预测中的研究与应用 Research and application of convolutional neural network in mining area prediction 工程科学学报. 2020, 42(12): 1597 https://doi.org/10.13374/j.issn2095-9389.2020.01.02.001 基于深度卷积神经网络的地磁导航方向适配性分析 Direction-matching-suitability analysis for geomagnetic navigation based on convolutional neural networks 工程科学学报. 2017, 39(10): 1584 https://doi.org/10.13374/j.issn2095-9389.2017.10.018 基于集成神经网络的剩余寿命预测 Remaining useful life prediction based on an integrated neural network 工程科学学报. 2020, 42(10): 1372 https://doi.org/10.13374/j.issn2095-9389.2019.10.10.005 基于深度循环神经网络的协作机器人动力学误差补偿 Error compensation of collaborative robot dynamics based on deep recurrent neural network 工程科学学报. 2021, 43(7): 995 https://doi.org/10.13374/j.issn2095-9389.2020.04.30.003

工程科学学报.第43卷，第9期：1253-1260.2021年9月 Chinese Journal of Engineering,Vol.43,No.9:1253-1260,September 2021 https://doi.org/10.13374/j.issn2095-9389.2021.01.13.011;http://cje.ustb.edu.cn 基于一维卷积神经网络的儿童睡眠分期 许 力”，吴云肖”，肖冰引，许志飞，张远)四 1)西南大学电子信息工程学院，重庆4007152)国家儿童医学中心，首都医科大学附属北京儿童医院，儿童耳鼻咽喉头颈外科疾病北京 市重点实验室，北京1000453)民航总医院呼吸内科.北京1001234)国家儿童医学中心，首都医科大学附属北京儿童医院呼吸科.北京 100045 ☒通信作者，E-mai:yuanzhang@swu.edu.cn 摘要高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进 行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法.多导睡眠图(Polysomnography, PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别 具有基础作用.本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积 代替二维卷积.提出一种1D-CNN结构.由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化 层(Batch normalization layer),保持卷积核的大小保持不变.针对数据集少的情况，采用了重叠的方法对数据集进行了扩充. 实验结果表明.该模型儿童睡眠分期的准确率为84.3%.通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出， Wake、N2、N3和REM期睡眠的分类性能很好.对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的 情况，因此以后的工作应重点提升N1期睡眠的准确性.总体而言，对于基于带有睡眠阶段标记的单通道EG的自动睡眠分 期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期.在未来的工作中，仍需要研究开发更适合于儿童的睡眠 分期策略，在更大数据量的基础上进行实验 关键词儿童睡眠分期：多导睡眠图：卷积神经网络：Alexnet:脑电信号 分类号TG391.7 One-dimensional convolutional neural network for children's sleep staging XU Li,WU Yun-xiao,XIAO Bing,XU Zhi-fer),ZHANG Yuan 1)College of Electronic and Information Engineering,Southwest University,Chongqing 400715,China 2)Beijing Key Laboratory of Pediatric Diseases of Otolaryngology,Head and Neck Surgery,Beijing Children's Hospital,Capital Medical University, National Center for Children's Health,Beijing 100045,China 3)Department of Respiratory Medicine,Civil Aviation General Hospital,Beijing 100123,China 4)Department of Respiratory Medicine,Beijing Children's Hospital,Capital Medical University,National Center for Children's Health,Beijing 100045, China Corresponding author,E-mail:yuanzhang@swu.edu.cn ABSTRACT High-quality sleep is linked with physical development,cognitive function,learning,and attention in children.Since early symptoms of sleep disorders in children are not obvious and require long-term monitoring.there is an urgent need to develop a method for monitoring children's sleep that can prevent and diagnose these disorders in advance.Polysomnography (PSG)is the basic test for sleep disorders recommended by clinical guidelines.Sleep quality can be assessed and sleep disorders can be identified by observing the changes in patterns of PSG during each sleep period.Sleep staging in children was researched and single-channel 收稿日期：2021-01-13 基金项目：北京市自然科学基金资助项目(7212033)：首都卫生发展科研专项资助项目（首发2018-4-6031）

基于一维卷积神经网络的儿童睡眠分期 许    力1)，吴云肖2)，肖    冰3)，许志飞4)，张    远1) 苣 1) 西南大学电子信息工程学院，重庆 400715    2) 国家儿童医学中心，首都医科大学附属北京儿童医院，儿童耳鼻咽喉头颈外科疾病北京 市重点实验室，北京 100045    3) 民航总医院呼吸内科，北京 100123    4) 国家儿童医学中心，首都医科大学附属北京儿童医院呼吸科，北京 100045 苣通信作者，E-mail: yuanzhang@swu.edu.cn 摘    要    高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进 行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法. 多导睡眠图 (Polysomnography， PSG) 是临床指南推荐的睡眠障碍基本检测方法，通过观察 PSG 各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别 具有基础作用. 本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在 Alexnet 的基础上，用一维卷积 代替二维卷积，提出一种 1D-CNN 结构，由 5 个卷积层、3 个池化层和 3 个全连接层组成，并在 1D-CNN 中添加了批量归一化 层（Batch normalization layer），保持卷积核的大小保持不变. 针对数据集少的情况，采用了重叠的方法对数据集进行了扩充. 实验结果表明，该模型儿童睡眠分期的准确率为 84.3%. 通过北京市儿童医院的 PSG 数据获得的归一化混淆矩阵，可以看出， Wake、N2、N3 和 REM 期睡眠的分类性能很好. 对于 N1 期睡眠，存在将 N1 期睡眠被误分类为 Wake、N2 和 REM 期睡眠的 情况，因此以后的工作应重点提升 N1 期睡眠的准确性. 总体而言，对于基于带有睡眠阶段标记的单通道 EEG 的自动睡眠分 期，本文提出的 1D-CNN 模型可以实现针对于儿童的自动睡眠分期. 在未来的工作中，仍需要研究开发更适合于儿童的睡眠 分期策略，在更大数据量的基础上进行实验. 关键词    儿童睡眠分期；多导睡眠图；卷积神经网络；Alexnet；脑电信号 分类号    TG391.7 One-dimensional convolutional neural network for children’s sleep staging XU Li1) ，WU Yun-xiao2) ，XIAO Bing3) ，XU Zhi-fei4) ，ZHANG Yuan1) 苣 1) College of Electronic and Information Engineering, Southwest University, Chongqing 400715, China 2) Beijing Key Laboratory of Pediatric Diseases of Otolaryngology, Head and Neck Surgery, Beijing Children’s Hospital, Capital Medical University, National Center for Children’s Health, Beijing 100045, China 3) Department of Respiratory Medicine, Civil Aviation General Hospital, Beijing 100123, China 4) Department of Respiratory Medicine, Beijing Children’s Hospital, Capital Medical University, National Center for Children’s Health, Beijing 100045, China 苣 Corresponding author, E-mail: yuanzhang@swu.edu.cn ABSTRACT    High-quality  sleep  is  linked  with  physical  development,  cognitive  function,  learning,  and  attention  in  children.  Since early symptoms of sleep disorders in children are not obvious and require long-term monitoring, there is an urgent need to develop a method for monitoring children’s sleep that can prevent and diagnose these disorders in advance. Polysomnography (PSG) is the basic test  for  sleep  disorders  recommended  by  clinical  guidelines.  Sleep  quality  can  be  assessed  and  sleep  disorders  can  be  identified  by observing  the  changes  in  patterns  of  PSG  during  each  sleep  period.  Sleep  staging  in  children  was  researched  and  single-channel 收稿日期: 2021−01−13 基金项目: 北京市自然科学基金资助项目（7212033）；首都卫生发展科研专项资助项目（首发 2018-4-6031） 工程科学学报，第 43 卷，第 9 期：1253−1260，2021 年 9 月 Chinese Journal of Engineering, Vol. 43, No. 9: 1253−1260, September 2021 https://doi.org/10.13374/j.issn2095-9389.2021.01.13.011; http://cje.ustb.edu.cn

·1254 工程科学学报，第43卷.第9期 electroencephalogram (EEG)signals recorded by PSG was used in this study.On the basis of Alexnet,we use a one-dimensional convolutional neural network(1D-CNN)model instead of a two-dimensional model to propose a 1D-CNN structure composed of five convolutional layers,three pooling layers,and three fully connected layers,as well as a batch normalization layer to 1D-CNN while keeping the size of the convolutional kernel constant.Moreover,the dataset was augmented with an overlapping method to address its small size.The experimental results showed that the accuracy of this model for children's sleep staging was 84.3%.According to the normalized confusion matrix obtained from the PSG data of Beijing Children's Hospital,the classification performance of wake,N2,N3, and REM stages of sleep was very good.Because stage NI sleep was misclassified as wake,N2,and REM sleep in some cases,future research should focus on improving the accuracy of stage NI sleep.Overall,the ID-CNN model proposed in this paper can realize automatic sleep staging for children based on single-channel EEG with sleep stage markers.In the future,more research is needed to develop a more suitable sleep staging strategy for children and to conduct experiments with a larger amount of data. KEY WORDS children 's sleep staging;polysomnography (PSG);convolutional neural network (CNN):Alexnet; electroencephalograph(EEG) 对于儿童来说，高质量睡眠有助于儿童的智 会(American Academy of Sleep Medicine,,AASM)在 力发育，与儿童的认知功能、学习和注意力密切相 R&K准则的基础上对睡眠分期标准进行了调整， 关山.儿童若不能够获得足够而良好的睡眠，会影 提出了AASM准则网.目前AASM准则已更新至 响智力发育，造成情绪、行为、注意力等方面的问 2020版.AASM准则将R&K准则中的S3和S4期 题儿童睡眠障碍一般发生在2~12岁的儿童身 合并为慢波睡眠期(NREM III期)，将睡眠阶段重 上，儿童睡眠障碍表现为在睡眠过程中出现的各 新定义为觉醒期(Wake,W期)、非快速眼动期 种影响睡眠的异常表现例它可以由身体某系统的 (NREM,N期)和快速眼动期(REM,R期).其中 功能失调引起，也可由疾病引起，能直接影响儿童 NREM被划分为NREM I期(NI)、NREM IⅡ期 的睡眠结构、睡眠质量及睡眠后复原程度 (N2)和NREM IIL期(N3) 睡眠相关类疾病早期症状不明显，容易被忽 对于睡眠的研究离不开脑电信号 视，因此有效的监测对于提前预防和早期诊断睡 (Electroencephalograph,EEG)分析.脑电信号频率 眠相关类疾病是关键.睡眠分期是判定睡眠障碍 分为四个主要频带o:8(1~3Hz)、(4~7Hz)、 的首要步骤的，通过观察个体睡眠期间脑电信号的 α(8~13Hz)、B(14~30Hz).除这四种主要频带 变化和规律，研究发现健康人的睡眠可以依据变 以外，人们在觉醒并专注于某一事时，会被检测出 化规律分为不同的状态，这就是睡眠分期.临床医 一种较β波的频率更高的Y波(30~80Hz).同时， 生通过对患者进行多导睡眠图(Polysomnography,. 人们在睡眠时还可能出现其他一些波形较为特殊 PSG)监测来确定睡眠分期PSG一般包括脑电 的脑电波，如：。波、入波、K复合波、μ波等.脑电 (Electroencephalograph,EEG)、眼电(Electrooculogram, 信号在不同时刻会表现出不同的频率分量，波形 EOG)、肌电(Electromyography,EMG)、心电(Electro- 的变化会受测试者自身状态影响，因此极度不稳 cardiograph,ECG)、胸式和腹式呼吸运动图、鼻及 定并且随机. 口气流、体动、血氧饱和度等10余个通道的生理 美国睡眠研究会睡眠及其相关事件判读手 信号，将其经过预处理及分析后，得出有关睡眠结 册中对儿童睡眠分期判读规则为：如果全部 构、呼吸事件、血氧饱和度、鼾声、体位和心电图 NREM睡眠记录帧没有可识别的睡眠梭形波、 动态变化等具体生理参数. K复合波或0.5~2.0Hz的高振幅慢波活动，判读 为标准化睡眠分期结果，1968年， 所有记录帧为N期(NREM);如果某些NREM睡 Rechtschaffen!)等提出了睡眠分期准则(Rechtschaffen 眠记录帧含有睡眠梭形波或K复合波，这些帧判 and Kales rule),又称R&K准则.R&K准则根据 读为N2期(NREM2).剩余的NREM睡眠记录 2路脑电、2路眼电和1路肌电信号将睡眠分为 帧，如果慢波活动小于记录帧的20%，判读为 7个阶段，分别为觉醒期(Wake)、睡眠I期(Stage N期；如果NREM睡眠记录帧慢波活动大于20%， l,S1)、IⅡ期(Stage2,S2)、l期(Stage3,S3)、 判读为N3期(NREM3).剩余的记录帧，如果不存 IV期(Stage4,S4)、快速眼动期(REM)和体动期 在K复合波或睡眠梭形波，判读为N期(NREM) (Movement time,MT)I图2007年，美国睡眠医学学 成人PSG设备的EEG、EOG和颏EMG电极的放

electroencephalogram  (EEG)  signals  recorded  by  PSG  was  used  in  this  study.  On  the  basis  of  Alexnet,  we  use  a  one-dimensional convolutional neural network (1D-CNN) model instead of a two-dimensional model to propose a 1D-CNN structure composed of five convolutional layers, three pooling layers, and three fully connected layers, as well as a batch normalization layer to 1D-CNN while keeping the size of the convolutional kernel constant. Moreover, the dataset was augmented with an overlapping method to address its small size. The experimental results showed that the accuracy of this model for children ’s sleep staging was 84.3%. According to the normalized confusion matrix obtained from the PSG data of Beijing Children’s Hospital, the classification performance of wake, N2, N3, and REM stages of sleep was very good. Because stage N1 sleep was misclassified as wake, N2, and REM sleep in some cases, future research  should  focus  on  improving  the  accuracy  of  stage  N1  sleep.  Overall,  the  1D-CNN  model  proposed  in  this  paper  can  realize automatic sleep staging for children based on single-channel EEG with sleep stage markers. In the future, more research is needed to develop a more suitable sleep staging strategy for children and to conduct experiments with a larger amount of data. KEY  WORDS    children ’s  sleep  staging； polysomnography  (PSG)； convolutional  neural  network  (CNN)； Alexnet； electroencephalograph (EEG) 对于儿童来说，高质量睡眠有助于儿童的智 力发育，与儿童的认知功能、学习和注意力密切相 关[1] . 儿童若不能够获得足够而良好的睡眠，会影 响智力发育，造成情绪、行为、注意力等方面的问 题[2] . 儿童睡眠障碍一般发生在 2～12 岁的儿童身 上，儿童睡眠障碍表现为在睡眠过程中出现的各 种影响睡眠的异常表现[3] . 它可以由身体某系统的 功能失调引起，也可由疾病引起，能直接影响儿童 的睡眠结构、睡眠质量及睡眠后复原程度[4] . 睡眠相关类疾病早期症状不明显，容易被忽 视，因此有效的监测对于提前预防和早期诊断睡 眠相关类疾病是关键. 睡眠分期是判定睡眠障碍 的首要步骤[5] ，通过观察个体睡眠期间脑电信号的 变化和规律，研究发现健康人的睡眠可以依据变 化规律分为不同的状态，这就是睡眠分期. 临床医 生通过对患者进行多导睡眠图 (Polysomnography， PSG) 监测来确定睡眠分期[6] . PSG 一般包括脑电 (Electroencephalograph，EEG)、眼电(Electrooculogram， EOG)、肌电 (Electromyography，EMG)、心电 (Electro￾cardiograph，ECG)、胸式和腹式呼吸运动图、鼻及 口气流、体动、血氧饱和度等 10 余个通道的生理 信号，将其经过预处理及分析后，得出有关睡眠结 构、呼吸事件、血氧饱和度、鼾声、体位和心电图 动态变化等具体生理参数. 为 标 准 化 睡 眠 分 期 结 果 ， 1968 年 ， Rechtschaffen[7] 等提出了睡眠分期准则（Rechtschaffen and Kales rule） ，又称 R&K 准则. R&K 准则根据 2 路脑电、2 路眼电和 1 路肌电信号将睡眠分为 7 个阶段，分别为觉醒期（Wake）、睡眠 I 期（Stage 1， S1） 、 II 期 （ Stage  2， S2） 、 III 期 （ Stage  3,  S3） 、 IV 期（Stage 4, S4）、快速眼动期（REM）和体动期 （Movement time, MT） [8] . 2007 年，美国睡眠医学学 会（American Academy of Sleep Medicine, AASM）在 R&K 准则的基础上对睡眠分期标准进行了调整， 提出了 AASM 准则[9] . 目前 AASM 准则已更新至 2020 版. AASM 准则将 R&K 准则中的 S3 和 S4 期 合并为慢波睡眠期（NREM III 期），将睡眠阶段重 新定义为觉醒期（Wake, W 期 ）、非快速眼动期 （NREM, N 期）和快速眼动期（REM, R 期 ）. 其中 NREM 被 划 分 为 NREM  I 期 （ N1） 、 NREM  II 期 （N2）和 NREM III 期（N3）. 对 于 睡 眠 的 研 究 离 不 开 脑 电 信 号 （Electroencephalograph, EEG）分析. 脑电信号频率 分为四个主要频带[10] ：δ（1～3 Hz） 、θ（4～7 Hz） 、 α（8～13 Hz）、β（14～30 Hz）. 除这四种主要频带 以外，人们在觉醒并专注于某一事时，会被检测出 一种较 β 波的频率更高的 γ 波（30～80 Hz）. 同时， 人们在睡眠时还可能出现其他一些波形较为特殊 的脑电波，如：σ 波、λ 波、K 复合波、μ 波等. 脑电 信号在不同时刻会表现出不同的频率分量，波形 的变化会受测试者自身状态影响，因此极度不稳 定并且随机. 美国睡眠研究会睡眠及其相关事件判读手 册[11] 中对儿童睡眠分期判读规则为：如果全部 NREM 睡眠记录帧没有可识别的睡眠梭形波 、 K 复合波或 0.5～2.0 Hz 的高振幅慢波活动，判读 所有记录帧为 N 期（NREM）；如果某些 NREM 睡 眠记录帧含有睡眠梭形波或 K 复合波，这些帧判 读为 N2 期 （NREM 2） . 剩余的 NREM 睡眠记录 帧 ，如果慢波活动小于记录帧 的 20%，判读 为 N 期；如果 NREM 睡眠记录帧慢波活动大于 20%， 判读为 N3 期（NREM 3）. 剩余的记录帧，如果不存 在 K 复合波或睡眠梭形波，判读为 N 期（NREM）. 成人 PSG 设备的 EEG、EOG 和颏 EMG 电极的放 · 1254 · 工程科学学报，第 43 卷，第 9 期

许力等：基于一维卷积神经网络的儿童睡眠分期 1255· 置适用于儿童，但由于儿童头型较小，所以颏EMG 型利用卷积神经网络提取时间不变特征，并利用 电极间距离通常需要从2cm减小到1cm,EOG电 双向长短期记忆自动学习脑电图分期间的睡眠转 极距眼睛的距离通常需从1cm减小到0.5cm. 换规律。作者采用了两步训练算法来训练模型，使 由于PSG需要专门的睡眠监测室及专业技术 用来自两个公共睡眠数据集的不同单通道EEGs 人员分析结果，且费用比较昂贵，技术要求高，在 (F4-EOG(左)、Fpz-Cz和Pz-Oz)评估该模型，结果 临床儿童患者中实施存在一定难度，对疑似的儿 表明，与最先进的方法相比，该模型在两个数据集 童患者无法大规模筛查，且患儿依从性不高、配合 上取得了相似的总体精度和f1 score.这表明，在不 度差.而使用单通道EEG可以降低睡眠监测的难 改变模型架构和训练算法的情况下，该模型可以 度，为便携式可穿戴设备的开发提供基础 自动从不同数据集的原始单通道脑电图中学习睡 目前已有的自动睡眠分期方法大多是利用单 眠阶段评分的特征，实现自动睡眠分期.与之类似， 通道或多通道脑电信号，针对成年人的自动睡眠 针对帧和序列进行设计的模型还有SeqSleepNet!141、 分期规则，而适用于儿童的自动睡眠分期方法很 SleepEEGNet!5、CCRRSleepNet!16,它们共同关注 少.由于儿童与成人的EEG存在差异，如儿童的 了睡眠分期的独立性与连续性 后部优势节律(Posterior dominant rhythm,PDR)在 Dehkordi等7刀分析了从脉搏血氧仪光体积描 不同年龄稍有不同，儿童N1期会有睡前超同步 记图(PPG)中提取的心率变异性的标准特征，以识 (HH)和弥散或枕部优势高波幅节律性3~5Hz活 别不同的睡眠阶段.作者使用多导睡眠图和Phone 动，这个是成人没有的，所以很多利用机器学习等 OximeterTM记录了146名儿童的整晚的PPG信号. 方法用于成人的自动睡眠分期方法不适用于儿 根据多导睡眠图，将记录分为1mim,并标记为 童，因此需要对已有方法进行改进或提出更适用 Wake,non-REM和REM.对于每个时段，估计了心 于儿童脑电特征的自动睡眠分期方法 率变异性的六个标准时域和频域特征.作者分别 本文针对睡眠分期这一问题，提出了一种基 训练了两个支持向量机分类器，以对从睡眠时期 于单通道脑电信号的端到端一维CNN(ID-CNN) 中W期和NREM期进行分类.觉醒和睡眠的分类 模型，从而克服了手工提取特征受到先验知识的 精度为77%，REM和NREM的分类精度为80%. 限制：数据集包含14位3到10岁健康受试者，从 基于家庭的儿童睡眠监测是一个急需解决的 而保证了模型对儿童睡眠分期的有效性 问题.由于EEG是了解睡眠的重要标准，所以监 测单通道EEG信号是识别睡眠障碍最有前途的方 1儿童和成人睡眠分期的相关工作 法.该方法不需要在用户身上附加大量的传感器， 目前，睡眠分期依然是由睡眠分析技师采用 更适合儿童的睡眠监测，使得数据更能反应睡眠 AASM准则对多导睡眠图进行人工分期，但是由 习惯.目前的研究大多从脑电中提取各种特征作 于多导睡眠图的数据量非常大，同时由于技师本 为神经网络的训练样本，将深度学习模型作为进 身的主观因素限制，所以这是一项既耗费时间又 一步特征融合和筛选的工具，没有充分展现深度 难以保持客观性的睡眠分期行为，随着近几年人 学习的优势.因此，为了适应当前需求，本文提出 工智能的发展，越来越多的自动化技术被应用到 了一种基于单通道脑电的儿童睡眠分期算法 了医学影像和医学信号领域 2 Dong等2提出了一种实用的方法来解决使 研究方法 用单通道脑电图(EEG)进行睡眠阶段分类的局限 卷积神经网络(Convolutional neural networks,. 性.作者利用整流神经网络检测分层特征，利用长 CNN)是一种深度神经网络.深度学习已在诸如视 短时记忆(LSTM)网络进行序列数据学习，优化单 觉识别，语音识别和自然语言处理等各种问题上 通道记录的分类性能.在探索了替代电极放置后， 取得了很好的成绩.在不同类型的深度神经网络 作者发现了一个舒适的放置于前额的单通道脑电 中，关于卷积神经网络的研究最为广泛图1显 电极位置，并表明它可以与其他电极集成，同时记 示了CNN的层次结构及应用 录眼电图(E0G).通过对62人(494h睡眠)的数据 2.1数据扩容 进行评估，证明该分析算法比现有的顶点或枕部 对于儿童睡眠数据少的情况，可采用重叠的 电极放置方法的性能更好 方法对数据集进行扩充，规则如下：如果受试者的 Supratak等)提出了DeepSleepNet模型，该模 两个连续时期具有相同的睡眠阶段，则使用滑动

置适用于儿童，但由于儿童头型较小，所以颏 EMG 电极间距离通常需要从 2 cm 减小到 1 cm，EOG 电 极距眼睛的距离通常需从 1 cm 减小到 0.5 cm. 由于 PSG 需要专门的睡眠监测室及专业技术 人员分析结果，且费用比较昂贵，技术要求高，在 临床儿童患者中实施存在一定难度，对疑似的儿 童患者无法大规模筛查，且患儿依从性不高、配合 度差. 而使用单通道 EEG 可以降低睡眠监测的难 度，为便携式可穿戴设备的开发提供基础. 目前已有的自动睡眠分期方法大多是利用单 通道或多通道脑电信号，针对成年人的自动睡眠 分期规则，而适用于儿童的自动睡眠分期方法很 少. 由于儿童与成人的 EEG 存在差异，如儿童的 后部优势节律（Posterior dominant rhythm，PDR）在 不同年龄稍有不同，儿童 N1 期会有睡前超同步 （HH）和弥散或枕部优势高波幅节律性 3～5 Hz 活 动，这个是成人没有的，所以很多利用机器学习等 方法用于成人的自动睡眠分期方法不适用于儿 童，因此需要对已有方法进行改进或提出更适用 于儿童脑电特征的自动睡眠分期方法. 本文针对睡眠分期这一问题，提出了一种基 于单通道脑电信号的端到端一维 CNN（1D-CNN） 模型，从而克服了手工提取特征受到先验知识的 限制;数据集包含 14 位 3 到 10 岁健康受试者，从 而保证了模型对儿童睡眠分期的有效性. 1    儿童和成人睡眠分期的相关工作 目前，睡眠分期依然是由睡眠分析技师采用 AASM 准则对多导睡眠图进行人工分期，但是由 于多导睡眠图的数据量非常大，同时由于技师本 身的主观因素限制，所以这是一项既耗费时间又 难以保持客观性的睡眠分期行为. 随着近几年人 工智能的发展，越来越多的自动化技术被应用到 了医学影像和医学信号领域. Dong 等[12] 提出了一种实用的方法来解决使 用单通道脑电图 (EEG) 进行睡眠阶段分类的局限 性. 作者利用整流神经网络检测分层特征，利用长 短时记忆（LSTM）网络进行序列数据学习，优化单 通道记录的分类性能. 在探索了替代电极放置后， 作者发现了一个舒适的放置于前额的单通道脑电 电极位置，并表明它可以与其他电极集成，同时记 录眼电图 (EOG). 通过对 62 人 (494 h 睡眠) 的数据 进行评估，证明该分析算法比现有的顶点或枕部 电极放置方法的性能更好. Supratak 等[13] 提出了 DeepSleepNet 模型，该模 型利用卷积神经网络提取时间不变特征，并利用 双向长短期记忆自动学习脑电图分期间的睡眠转 换规律. 作者采用了两步训练算法来训练模型，使 用来自两个公共睡眠数据集的不同单通道 EEGs (F4-EOG(左)、Fpz-Cz 和 Pz-Oz) 评估该模型，结果 表明，与最先进的方法相比，该模型在两个数据集 上取得了相似的总体精度和 f1 score. 这表明，在不 改变模型架构和训练算法的情况下，该模型可以 自动从不同数据集的原始单通道脑电图中学习睡 眠阶段评分的特征，实现自动睡眠分期. 与之类似， 针对帧和序列进行设计的模型还有 SeqSleepNet[14]、 SleepEEGNet[15]、 CCRRSleepNet[16] ，它们共同关注 了睡眠分期的独立性与连续性. Dehkordi 等[17] 分析了从脉搏血氧仪光体积描 记图（PPG）中提取的心率变异性的标准特征，以识 别不同的睡眠阶段. 作者使用多导睡眠图和 Phone OximeterTM 记录了 146 名儿童的整晚的 PPG 信号. 根据多导睡眠图 ，将记录分为 1 min，并标记为 Wake，non-REM 和 REM. 对于每个时段，估计了心 率变异性的六个标准时域和频域特征. 作者分别 训练了两个支持向量机分类器，以对从睡眠时期 中 W 期和 NREM 期进行分类. 觉醒和睡眠的分类 精度为 77%，REM 和 NREM 的分类精度为 80%. 基于家庭的儿童睡眠监测是一个急需解决的 问题. 由于 EEG 是了解睡眠的重要标准，所以监 测单通道 EEG 信号是识别睡眠障碍最有前途的方 法. 该方法不需要在用户身上附加大量的传感器， 更适合儿童的睡眠监测，使得数据更能反应睡眠 习惯. 目前的研究大多从脑电中提取各种特征作 为神经网络的训练样本，将深度学习模型作为进 一步特征融合和筛选的工具，没有充分展现深度 学习的优势. 因此，为了适应当前需求，本文提出 了一种基于单通道脑电的儿童睡眠分期算法. 2    研究方法 卷积神经网络（Convolutional neural networks, CNN）是一种深度神经网络. 深度学习已在诸如视 觉识别，语音识别和自然语言处理等各种问题上 取得了很好的成绩. 在不同类型的深度神经网络 中，关于卷积神经网络的研究最为广泛[18] . 图 1 显 示了 CNN 的层次结构及应用. 2.1    数据扩容 对于儿童睡眠数据少的情况，可采用重叠的 方法对数据集进行扩充，规则如下：如果受试者的 两个连续时期具有相同的睡眠阶段，则使用滑动 许    力等： 基于一维卷积神经网络的儿童睡眠分期 · 1255 ·

.1256 工程科学学报，第43卷，第9期 Convolutional neural networks Components Convolutional layer Pooling layer Activation Loss function Regularization Fast processing Optimizations function Applications Tiled convolution Lp pooling ReLu Hinge loss Lp-norm FFT augmentation Image classification Transposed Structured convolution Mixed pooling LReLU Softmax loss Dropout Weight transforms augmentation Object detection Dilated convolution Stochastic pooling PReLU Dropconnect Low precesion SGD Object tracking Network in network Batch Spectral pooling RReLU Weight Triplet loss compression normalization Pose estimation Inception module Spatial pyramid Space pooling ELU KL divergence convolution Test detection& Maxout recognition Probout Visual saliency detection Action recognation Scene labeling Speech natural language processing 图1CNN的层次结构及应用 Fig.I CNN architecture and applications 窗口进行重叠，将重叠时间设置为25S,重叠后新 相反，如果两个连续的epoch是不同的睡眠阶段， 帧(Epoch)的睡眠阶段标签未更改，如图2所示 则不会进行重叠 Before overlapping 2 EEG epochs overlapping 25 s Have the same sleep stage Exam the 2 1-7680 7681-15360 consecutive Samples Samples epochs Have different sleep stage No overlapping 图2数据集重叠 Fig.2 Datasets overlapping 由于EEG是低频信号，其频率主要集中在0.5~ 值，每种类型的epoch只保留阈值数，其余的 40Hz,因此使用了二阶巴特沃斯滤波对原始EEG epoch被丢弃 数据进行了预处理，消除高频噪声和直流成分，因 (2)将平衡后的数据集按W、N1、N2、N3、R的 为儿童慢波活动通常为高波幅(100~400uV),所 顺序重新排列. 以不对脑电数据的振幅进行限制 2.21D-CNN模型与算法 需要注意的是，由于5个睡眠分期的epoch数 本研究将Alexnet 20]进行改进，利用单通道脑 量不相同且分布不相同，所以数据集会失去平衡 电信号(C4-M1通道)，将1D卷积核替换了2D卷 性，进而影响机器学习算法的性能.因此，本研究 积核，并在1D-CNN中添加了批量归一化层(Batch 采用了以下策略来调整每个睡眠分期的epoch数量： normalization layer),而卷积核的大小保持不变. (I)统计数据集中每个睡眠分期的epoch数 1D-CNN模型的示意图如图3所示，该模型由5个 量，以其中最小数量的类型的epoch数量作为阈 卷积层，3个池化层和3个完全连接的层组成

窗口进行重叠，将重叠时间设置为 25 s，重叠后新 帧 （Epoch）的睡眠阶段标签未更改，如图 2 所示. 相反，如果两个连续的 epoch 是不同的睡眠阶段， 则不会进行重叠. Exam the 2 consecutive epochs Have different sleep stage No overlapping 7681−15360 Samples Before overlapping 2 EEG epochs overlapping 25 s 1−7680 Samples Have the same sleep stage 图 2    数据集重叠 Fig.2    Datasets overlapping 由于 EEG 是低频信号，其频率主要集中在 0.5～ 40 Hz[19] ，因此使用了二阶巴特沃斯滤波对原始 EEG 数据进行了预处理，消除高频噪声和直流成分. 因 为儿童慢波活动通常为高波幅（100～400 μV），所 以不对脑电数据的振幅进行限制. 需要注意的是，由于 5 个睡眠分期的 epoch 数 量不相同且分布不相同，所以数据集会失去平衡 性，进而影响机器学习算法的性能. 因此，本研究 采用了以下策略来调整每个睡眠分期的 epoch 数量： （ 1）统计数据集中每个睡眠分期的 epoch 数 量，以其中最小数量的类型的 epoch 数量作为阈 值 ， 每 种 类 型 的 epoch 只 保 留 阈 值 数 ， 其 余 的 epoch 被丢弃. （2）将平衡后的数据集按 W、N1、N2、N3、R 的 顺序重新排列. 2.2    1D-CNN 模型与算法 本研究将 Alexnet[20] 进行改进，利用单通道脑 电信号（C4-M1 通道），将 1D 卷积核替换了 2D 卷 积核，并在 1D-CNN 中添加了批量归一化层（Batch normalization layer） ，而卷积核的大小保持不变 . 1D-CNN 模型的示意图如图 3 所示，该模型由 5 个 卷积层，3 个池化层和 3 个完全连接的层组成. Convolutional neural networks Components Convolutional layer Tiled convolution Transposed convolution Dilated convolution Network in network Inception module Pooling layer Activation function Loss function Hinge loss Softmax loss Contrastive loss Triplet loss KL divergence Regularization Lp-norm Dropout Dropconnect Low precesion Space convolution Weight compression Structured transforms FFT Fast processing Data augmentation Weight augmentation SGD Batch normalization Shortcut connections Applications Object detection Object tracking Pose estimation Test detection & recognition Visual saliency detection Action recognation Scene labeling Speech & natural language processing Image classification Optimizations LReLU PReLU RReLU Maxout ELU Probout ReLu Mixed pooling Lp pooling Stochastic pooling Spectral pooling Spatial pyramid pooling Multi-scale orderless pooling 图 1    CNN 的层次结构及应用 Fig.1    CNN architecture and applications · 1256 · 工程科学学报，第 43 卷，第 9 期

许力等：基于一维卷积神经网络的儿童睡眠分期 ·1257 “eature extraction EEG epoch Sleep staging results Flatten 536 1536 图31D-CNN模型 Fig.3 1D-CNN model 由于1D-CNN的输入是30s为一个epoch的 眠分期系统，方便医生的使用，如图4所示，该图 数据，即1×3840一维时间序列，因此在模型中使 展示了一段时长为60s的多导睡眠图，图中展示 用了1D卷积核.一维卷积运算过程定义为： 了前8个通道的生物电信号，即2个眼电通道与 6个脑电通道，并用颜色区分了不同的睡眠分期， =+=12,N-d+1( 可以看到，该60s由一个N2期的后半部分、一个 完整的W期和一个N1期的开始部分组成 式中，是第1层上输出要素的第i个像素，心和 b分别表示第1层的卷积核的权重向量和偏倚参 3实验过程 数，d表示卷积核的大小，N表示输入特征向量 3.1数据集 的长度，f()表示卷积层的激活函数 本研究中使用的数据集来自首都医科大学附 第一和第二卷积层分别使用大小为1×22和 属北京儿童医院，数据集包括来自14位受试者的 1×5的大卷积核，而第三到第五卷积层使用大小 PSG记录.每位受试者至少记录6条EEG通道， 为1×3的小卷积核.在第一，第二和第五卷积层之 2条EOG通道.原始数据集epoch数量为14383， 后，本研究利用大小为1×3的maxpooling层来减 重叠、平衡后的epoch数量为30195 少特征图的尺寸.将最后一个最大池化层的生成 3.2实验环境 的特征图展平为一维向量.该向量被送到全连接 数据预处理和功能提取部分是在PyCharm 层以进行二进制分类，并获得最终的识别结果.本 2020.1.2环境中在具有64 GB RAM的AMD Ryzen7- 研究选择RLU(整流线性单位)作为激活函数，其 3700x@3.60GHz上实现的.深度学习实验是在 定义如下： NVIDIA GeForce RTX2080Ti上利用tensorflow框 f=68 (2) 架在Python环境中进行的 3.3实验参数 批处理归一化层位于第一卷积层之后，该层 数据预处利用kaiming初始化器2四初始化1D- 可以归一化特征激活，从而减少内部协变量偏移 CNN中的权重参数，这可以提高模型的收敛速度 批处理规范化定义如下： 使用Adam优化器21以0.00001学习率进行参数 元=B (3) 优化.批处理大小为256个.在此研究中使用了交 叉熵损失函数，其定义为： yi=yxi+B (4) En=- N p&In(yk)+(1-pk)In(1-y&) (5) 式中，B代表包含m个样本的小批量，和σ分别 代表B的均值和方差.1是数值稳定性的常数， 式中，Em是基本的交叉嫡损失函数，N是训练样本 y和B分别是训练过程中计算出的比例和移位参 的数量，和P4分别表示样本的真实标签和预测 数，有关详细信息，请参见文献[21] 标签 2.3睡眠分期系统 为了防止过度拟合问题，本研究使用了dropout 针对现实需求，以PyQt为基础，设计开发了睡 和L2正则化方法.Dropout可以在训练过程中以

EEG epoch 128@ 1×22 192@ 1×5 384@ 1×5 Max pooling Max pooling Feature extraction 256@ 1×3 256@ 1×3 Max pooling Sleep staging results Classification 5 512 1536 128 1536 Flatten 图 3    1D-CNN 模型 Fig.3    1D-CNN model 由于 1D-CNN 的输入是 30 s 为一个 epoch 的 数据，即 1×3840 一维时间序列，因此在模型中使 用了 1D 卷积核. 一维卷积运算过程定义为： y l i = f   ∑ d n=1 ω l n · y l−1 n+i +b l   ,i = 1,2,··· ,N −d +1 （1） y l i ω l n b l y l−1 i f(·) 式中， 是第 l 层上输出要素的第 i 个像素， 和 分别表示第 l 层的卷积核的权重向量和偏倚参 数 ， d 表示卷积核的大小，N 表示输入特征向量 的长度， 表示卷积层的激活函数. 第一和第二卷积层分别使用大小为 1×22 和 1×5 的大卷积核，而第三到第五卷积层使用大小 为 1×3 的小卷积核. 在第一，第二和第五卷积层之 后，本研究利用大小为 1×3 的 maxpooling 层来减 少特征图的尺寸. 将最后一个最大池化层的生成 的特征图展平为一维向量. 该向量被送到全连接 层以进行二进制分类，并获得最终的识别结果. 本 研究选择 ReLU（整流线性单位）作为激活函数，其 定义如下： f = { x, x > 0 0, x ⩽ 0 （2） 批处理归一化层位于第一卷积层之后，该层 可以归一化特征激活，从而减少内部协变量偏移. 批处理规范化定义如下： x¯ = xi −µB √ σ 2 B +λ （3） yi = γx¯i +β （4） σ 2 式中， B B 代表包含 m 个样本的小批量，μB 和 分别 代表 B 的均值和方差. λ 是数值稳定性的常数， γ 和 β 分别是训练过程中计算出的比例和移位参 数，有关详细信息，请参见文献 [21]. 2.3    睡眠分期系统 针对现实需求，以 PyQt 为基础，设计开发了睡 眠分期系统，方便医生的使用，如图 4 所示，该图 展示了一段时长为 60 s 的多导睡眠图，图中展示 了前 8 个通道的生物电信号，即 2 个眼电通道与 6 个脑电通道，并用颜色区分了不同的睡眠分期， 可以看到，该 60 s 由一个 N2 期的后半部分、一个 完整的 W 期和一个 N1 期的开始部分组成. 3    实验过程 3.1    数据集 本研究中使用的数据集来自首都医科大学附 属北京儿童医院，数据集包括来自 14 位受试者的 PSG 记录. 每位受试者至少记录 6 条 EEG 通道， 2 条 EOG 通道. 原始数据集 epoch 数量为 14383， 重叠、平衡后的 epoch 数量为 30195. 3.2    实验环境 数据预处理和功能提取部分是 在 PyCharm 2020.1.2 环境中在具有 64 GB RAM 的 AMD Ryzen7- 3700x@3.60 GHz 上实现的. 深度学习实验是在 NVIDIA GeForce RTX 2080 Ti 上利用 tensorflow 框 架在 Python 环境中进行的. 3.3    实验参数 数据预处利用 kaiming 初始化器[22] 初始化 1D￾CNN 中的权重参数，这可以提高模型的收敛速度. 使用 Adam 优化器[23] 以 0.00001 学习率进行参数 优化. 批处理大小为 256 个. 在此研究中使用了交 叉熵损失函数，其定义为： En = − 1 N ∑ N k=1 pk ·ln(yk)+(1− pk)ln(1−yk) （5） 式中，En 是基本的交叉熵损失函数，N 是训练样本 的数量，yk 和 pk 分别表示样本的真实标签和预测 标签. 为了防止过度拟合问题，本研究使用了 dropout 和 L2 正则化方法. Dropout 可以在训练过程中以 许    力等： 基于一维卷积神经网络的儿童睡眠分期 · 1257 ·

.1258 工程科学学报，第43卷，第9期 N2 CH E1-M2 314 E2-M2 NI F3-M2M F4-MIw N2 C3-M2 N3 C4-M1 O1-M2 O2-M1 1120 1430 1560 11470 5000 10000 15000 20000 25000 30000 Time/s 图4睡眠分析系统原型 Fig.4 Prototype of the sleep analysis system 指定的概率随机断开层的各个单元2L2正则化 的13位受试者作为训练集，这个实验需要重复 是在损失函数之后添加正则项以降低网络复杂 14次以保证所有的数据都被使用到.本研究的准 性.具有L2正则化项的交叉嫡损失函数定义为： 确率为85.57%.表2各项评价指标的结果.在训练 En=En+dlul呢 (6) 和预测的速度上，本研究所用时间均远小于 式中，lw是L2正则化项，和w分别是惩罚因子 DeepSleepNet,约为其l/5 和网络参数.在本研究中，设置为0.001.本研究 表2实验结果 在全连接层的第一层和第二层之后使用了0.8的 Table 2 Experimental results dropout.lD-CNN的超参数如表l所示 Method Accuracy/%Precision Recall F1-score K 表1超参数表 Our method 85.57 0.847 0.866 0.8550.820 DeepSleepNet 69.58 0.6870.6590.6320.581 Table 1 Model hyperparameters Parameter Value Optimizer Adam 由于训练时用到了防止过拟合的L2正则化 Learning rate 0.00001 和dropout,而验证的时候没有用到正则化和 Loss function Cross-entropy dropout,.为了防止出现过拟合，将参数设置的较 Batch size 256 大，因此出现验证准确率大于训练准确率的情况 L2 regularization 0.001 准确率和损失如图5和6所示.图7显示了1D- CNN模型通过本实验数据获得的归一化混淆矩 在这项研究中，准确率、精确度、召回率、F1 阵，其中数字代表分类正确或错误的样本.通过混 得分和Kappa系数(K)用于评估性能 淆矩阵可以看出，Wake、N2、N3和REM期睡眠的 3.4实验结果 分类性能很好.对于N1期睡眠，存在将N1期睡 本研究是在成人自动睡眠分期的研究基础 眠误分类为Wake、N2和REM期睡眠的情况，因 上，通过改进将ID-CNN结构用于儿童自动睡眠 此以后的工作应重点研究NI期睡眠的准确性. 分期，训练集包括从14位健康受试者中分出的 4结论 30195个epoch,使用了14折交叉验证实验，在每 折中，利用1位受试者的数据作为测试集，剩下 本研究对Alexnet进行改进，提出了一种基于

指定的概率随机断开层的各个单元[24] . L2 正则化 是在损失函数之后添加正则项以降低网络复杂 性. 具有 L2 正则化项的交叉熵损失函数定义为： Et2 = En +λ∥ω∥ 2 2 （6） λ∥ω∥ 2 2 λ ω λ 式中， 是 L2 正则化项， 和 分别是惩罚因子 和网络参数. 在本研究中， 设置为 0.001. 本研究 在全连接层的第一层和第二层之后使用了 0.8 的 dropout. 1D-CNN 的超参数如表 1 所示. 表 1 超参数表 Table 1   Model hyperparameters Parameter Value Optimizer Adam Learning rate 0.00001 Loss function Cross-entropy Batch size 256 L2 regularization 0.001 在这项研究中，准确率、精确度、召回率、F1 得分和 Kappa 系数（K）用于评估性能. 3.4    实验结果 本研究是在成人自动睡眠分期的研究基础 上，通过改进将 1D-CNN 结构用于儿童自动睡眠 分期，训练集包括从 14 位健康受试者中分出的 30195 个 epoch，使用了 14 折交叉验证实验，在每 一折中，利用 1 位受试者的数据作为测试集，剩下 的 13 位受试者作为训练集，这个实验需要重复 14 次以保证所有的数据都被使用到. 本研究的准 确率为 85.57%. 表 2 各项评价指标的结果. 在训练 和 预 测 的 速 度 上 ， 本 研 究 所 用 时 间 均 远 小 于 DeepSleepNet，约为其 1/5. 表 2 实验结果 Table 2   Experimental results Method Accuracy / % Precision Recall F1-score K Our method 85.57 0.847 0.866 0.855 0.820 DeepSleepNet 69.58 0.687 0.659 0.632 0.581 由于训练时用到了防止过拟合的 L2 正则化 和 dropout， 而 验 证 的 时 候 没 有 用 到 正 则 化 和 dropout，为了防止出现过拟合，将参数设置的较 大，因此出现验证准确率大于训练准确率的情况. 准确率和损失如图 5 和 6 所示. 图 7 显示了 1D￾CNN 模型通过本实验数据获得的归一化混淆矩 阵，其中数字代表分类正确或错误的样本. 通过混 淆矩阵可以看出，Wake、N2、N3 和 REM 期睡眠的 分类性能很好. 对于 N1 期睡眠，存在将 N1 期睡 眠误分类为 Wake、N2 和 REM 期睡眠的情况，因 此以后的工作应重点研究 N1 期睡眠的准确性. 4    结论 本研究对 Alexnet 进行改进，提出了一种基于 Channel E1-M2 381.48 μV E2-M2 F3-M2 F4-M1 C3-M2 C4-M1 O1-M2 O2-M1 0 5000 10000 15000 20000 25000 30000 Time/s 11420 11430 11440 11450 11460 11470 W N1 N2 N3 R N2 W N1 Ch. 图 4    睡眠分析系统原型 Fig.4    Prototype of the sleep analysis system · 1258 · 工程科学学报，第 43 卷，第 9 期

许力等：基于一维卷积神经网络的儿童睡眠分期 1259 0.8 设计了研究方案，为进一步研究儿童睡眠障碍奠 0.7 定了基础.总体而言，对于基于带有睡眠阶段标记 0.6 的单通道EEG的自动睡眠分期，本文介绍的1D CNN模型可以实现针对于儿童的自动睡眠分期 0.5 在未来的工作中，仍需要研究更适合于儿童的睡 0.4 眠分期策略，在基于更大数据量的基础上，进行进 03 一步的实验.在大样本数据集下，研究可以选择更 -Accuracy 0.2 -Validation accuracy 多的睡眠相关特征进行测试，并进一步增加一维 50 75100125150175200 神经网络的规模，最大程度地发挥深度卷积神经 Epochs 网络的能力. 图5训练和验证准确率 Fig.5 Training and validation accuracy 参考文献 0 [1]Halbower A C.Degaonkar M,Barker P B.et al.Childhood -Validation loss 3.5 obstructive sleep apnea associates with neuropsychological deficits and neuronal brain injury.PLoS Med,2006,3(8):e301 3.0 [2] Matricciani L,Paquet C,Galland B,et al.Children's sleep and health:A meta-review.Sleep Med Rev,2019,46:136 2.5 [3]Cardoso T S G.Pompeia S,Miranda M C.Cognitive and behavioral effects of obstructive sleep apnea syndrome in children: 2.0 A systematic literature review.Sleep Med,2018,46:46 [4] Marcus C L,Moore R H,Rosen C L,et al.A randomized trial of 0 2550 75100125150175200 adenotonsillectomy for childhood sleep apnea.N Engl J Med, Epochs 2013,368(25):2366 图6训练和验证损失 [5] Tabone L,Khirani S,Amaddeo A.et al.Cerebral oxygenation in Fig.6 Training and validation loss children with sleep-disordered breathing.Paediatr Respir Rev, 2020,34:18 Number of samples [6]RundoV,Downey IlI R.Polysomnography.Handb Clin Neurol, 5336 678 7 13 5 2019,160:381 5000 [7] Rechtschaffen A.Kales A.A Manual of Standardized 12 3543 11 2473 Terminology,Techniques and Scoring System for Sleep Stages of 4000 Human Subjecis.Washington,DC:U.S.Government Printing Office,1968 10 549 05 162 13 3000 [8]Li YJ.Hong F.Yan H,et al.Research progress in sleep quality evaluation on-orbit.Space Med Med Eng,2012,25(6):458 2000 N3 0 (李延军，宏峰，严洪，等.在轨睡眠质量评价的研究进展.航天 医学与医学工程，2012,25(6)：458) 1000 247 0 30 0 692 [9] Singh J,Badr MS,Diebert W,et al.American academy of sleep medicine(AASM)position paper for the use of telemedicine for NI N2 N3 the diagnosis and treatment of sleep disorders.J Clin Sleep Med, Predict sleep stage 2015,11(10):1187 图7混淆矩阵 [10]Newson JJ,Thiagarajan TC.EEG frequency bands in psychiatric Fig.7 Confusion matrix disorders:A review of resting state studies.Front Hum Neurosci, 有标签单通道脑电图的睡眠分期ID-CNN模型 2018,12:521 由于ID-CNN是一个端到端的学习模型，即将特 [11]Berry RB,Albertario CL,Harding SM,et al.The A4SM Manual 征提取器和分类器集成到一个算法中.端到端学 for the Scoring of Sleep and Associated Events:Rules. Terminology and Technical Specifications (Version 2.5).USA: 习方法可以克服手动特征提取的局限性，从而提 American Academy of Sleep Medicine,2018 高睡眠分期准确率.该模型用于儿童睡眠分期，对 [12]Dong H,Supratak A,Pan W,et al.Mixed neural network approach 未来利用机器学习方法辅助临床儿童睡眠分期， for temporal sleep stage classification.IEEE Trans Neural Syst

有标签单通道脑电图的睡眠分期 1D-CNN 模型. 由于 1D-CNN 是一个端到端的学习模型，即将特 征提取器和分类器集成到一个算法中. 端到端学 习方法可以克服手动特征提取的局限性，从而提 高睡眠分期准确率. 该模型用于儿童睡眠分期，对 未来利用机器学习方法辅助临床儿童睡眠分期， 设计了研究方案，为进一步研究儿童睡眠障碍奠 定了基础. 总体而言，对于基于带有睡眠阶段标记 的单通道 EEG 的自动睡眠分期，本文介绍的 1D￾CNN 模型可以实现针对于儿童的自动睡眠分期. 在未来的工作中，仍需要研究更适合于儿童的睡 眠分期策略，在基于更大数据量的基础上，进行进 一步的实验. 在大样本数据集下，研究可以选择更 多的睡眠相关特征进行测试，并进一步增加一维 神经网络的规模，最大程度地发挥深度卷积神经 网络的能力. 参    考    文    献 Halbower  A  C,  Degaonkar  M,  Barker  P  B,  et  al.  Childhood obstructive sleep apnea associates with neuropsychological deficits and neuronal brain injury. PLoS Med, 2006, 3（8）: e301 [1] Matricciani  L,  Paquet  C,  Galland  B,  et  al.  Children's  sleep  and health: A meta-review. Sleep Med Rev, 2019, 46: 136 [2] Cardoso  T  S  G,  Pompéia  S,  Miranda  M  C.  Cognitive  and behavioral effects of obstructive sleep apnea syndrome in children: A systematic literature review. Sleep Med, 2018, 46: 46 [3] Marcus C L, Moore R H, Rosen C L, et al. A randomized trial of adenotonsillectomy  for  childhood  sleep  apnea. N Engl J Med, 2013, 368（25）: 2366 [4] Tabone L, Khirani S, Amaddeo A, et al. Cerebral oxygenation in children  with  sleep-disordered  breathing. Paediatr Respir Rev, 2020, 34: 18 [5] Rundo J V, Downey III R. Polysomnography. Handb Clin Neurol, 2019, 160: 381 [6] Rechtschaffen  A,  Kales  A. A Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of Human Subjects.  Washington,  DC:  U.S.  Government  Printing Office, 1968 [7] Li Y J, Hong F, Yan H, et al. Research progress in sleep quality evaluation on-orbit. Space Med Med Eng, 2012, 25（6）: 458 （李延军, 宏峰, 严洪, 等. 在轨睡眠质量评价的研究进展. 航天 医学与医学工程, 2012, 25（6）：458） [8] Singh J, Badr M S, Diebert W, et al. American academy of sleep medicine  (AASM)  position  paper  for  the  use  of  telemedicine  for the diagnosis and treatment of sleep disorders. J Clin Sleep Med, 2015, 11（10）: 1187 [9] Newson J J, Thiagarajan T C. EEG frequency bands in psychiatric disorders: A review of resting state studies. Front Hum Neurosci, 2018, 12: 521 [10] Berry RB, Albertario CL, Harding SM, et al. The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical Specifications (Version  2.5).  USA: American Academy of Sleep Medicine, 2018 [11] Dong H, Supratak A, Pan W, et al. Mixed neural network approach for  temporal  sleep  stage  classification. IEEE Trans Neural Syst [12] 0.8 0.6 0.7 0.5 0.4 0.3 0.2 0 25 50 75 100 125 150 175 200 Epochs Accuracy Validation accuracy Accuracy 图 5    训练和验证准确率 Fig.5    Training and validation accuracy 3.5 3.0 2.5 2.0 Loss 0 25 50 75 100 125 150 175 200 Epochs Loss Validation loss 图 6    训练和验证损失 Fig.6    Training and validation loss True sleep stage W N1 N2 N3 R W N1 N2 N3 R 5000 4000 3000 2000 1000 0 247 0 10 12 5336 3543 678 549 43 70 30 34 0 0 5692 5962 5305 7 13 5 11 0 162 13 2473 Predict sleep stage Number of samples 图 7    混淆矩阵 Fig.7    Confusion matrix 许    力等： 基于一维卷积神经网络的儿童睡眠分期 · 1259 ·

·1260 工程科学学报，第43卷.第9期 Rehabilitation Eng,2018,26(2):324 [19]Feyissa AM,Tatum WO.Adult EEG.Handb Clin Neurol,2019, [13]Supratak A,Dong H,Wu C,et al.DeepSleepNet:A model for 160:103 automatic sleep stage scoring based on raw single-channel EEG. [20]Krizhevsky A,Sutskever I,Hinton G.ImageNet classification with IEEE Trans Neural Syst Rehabilitation Eng,2017,25(11):1998 deep convolutional neural networks //NIPS'12:Proceedings of the [14]Phan H,Andreotti F,Cooray N,et al.SeqSleepNet:end-to-end 25th International Conference on Neural Information Processing hierarchical recurrent neural network for sequence-to-sequence Systems.New York,2012:1097 automatic sleep staging.IEEE Trans Neural Syst Rehabilitation [21]Kalayeh MM,Shah M.Training faster by separating modes of Eg,2019,27(3):400 variation in batch-normalized models.IEEE Trans Pattern Anal [15]Mousavi S,Afghah F,Acharya U R.SleepEEGNet:Automated Mach Intell,.2020,42(6:1483 sleep stage scoring with sequence to sequence deep learning [22]He K M,Zhang X Y,Ren S Q,et al.Delving deep into rectifiers: approach.PLoS One,2019,14(5):e0216456 Surpassing human-level performance on ImageNet classification / [16]Neng W P,Lu J,Xu L.CCRRSleepNet:A hybrid relational 2015 IEEE International Conference on Computer Vision (ICCV). inductive biases network for automatic sleep stage classification on Santiago,2015:1026 raw single-channel EEG.Brain Sci,2021,11(4):456 [23]Kingma D P,Ba J.Adam:A method for stochastic optimization / [17]Dehkordi P,Garde A,Karlen W,et al.Sleep stage classification in International Conference on Learning Representations.San Diego, children using photoplethysmogram pulse rate variability / 2015:13 Computing in Cardiology 2014.Cambridge,2014:297 [24]Srivastava N,Hinton G,Krizhevsky A,et al.Dropout:A simple [18]Gu J X,Wang Z H,Kuen J,et al.Recent advances in way to prevent neural networks from overfitting.J Mach Learn convolutional neural networks.Pattern Recognit,2018,77:354 Res,2014,15:1929

Rehabilitation Eng, 2018, 26（2）: 324 Supratak  A,  Dong  H,  Wu  C,  et  al.  DeepSleepNet:  A  model  for automatic  sleep  stage  scoring  based  on  raw  single-channel  EEG. IEEE Trans Neural Syst Rehabilitation Eng, 2017, 25（11）: 1998 [13] Phan  H,  Andreotti  F,  Cooray  N,  et  al.  SeqSleepNet:  end-to-end hierarchical  recurrent  neural  network  for  sequence-to-sequence automatic  sleep  staging. IEEE Trans Neural Syst Rehabilitation Eng, 2019, 27（3）: 400 [14] Mousavi  S,  Afghah  F,  Acharya  U  R.  SleepEEGNet:  Automated sleep  stage  scoring  with  sequence  to  sequence  deep  learning approach. PLoS One, 2019, 14（5）: e0216456 [15] Neng  W  P,  Lu  J,  Xu  L.  CCRRSleepNet:  A  hybrid  relational inductive biases network for automatic sleep stage classification on raw single-channel EEG. Brain Sci, 2021, 11（4）: 456 [16] Dehkordi P, Garde A, Karlen W, et al. Sleep stage classification in children  using  photoplethysmogram  pulse  rate  variability  // Computing in Cardiology 2014. Cambridge, 2014: 297 [17] Gu  J  X,  Wang  Z  H,  Kuen  J,  et  al.  Recent  advances  in convolutional neural networks. Pattern Recognit, 2018, 77: 354 [18] Feyissa  AM,  Tatum  WO.  Adult  EEG. Handb Clin Neurol,  2019, 160: 103 [19] Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks //NIPS'12: Proceedings of the 25th International Conference on Neural Information Processing Systems. New York, 2012: 1097 [20] Kalayeh  M  M,  Shah  M.  Training  faster  by  separating  modes  of variation  in  batch-normalized  models. IEEE Trans Pattern Anal Mach Intell, 2020, 42（6）: 1483 [21] He K M, Zhang X Y, Ren S Q, et al. Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification // 2015 IEEE International Conference on Computer Vision (ICCV). Santiago, 2015: 1026 [22] Kingma D P, Ba J. Adam: A method for stochastic optimization // International Conference on Learning Representations. San Diego, 2015: 13 [23] Srivastava  N,  Hinton  G,  Krizhevsky  A,  et  al.  Dropout:  A  simple way  to  prevent  neural  networks  from  overfitting. J Mach Learn Res, 2014, 15: 1929 [24] · 1260 · 工程科学学报，第 43 卷，第 9 期