.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