这是一个用于记录毕业设计的日志仓库，其目的是尝试多种不同的深度神经网络结构(如LSTM,RESNET,DFCNN等)对单通道EEG进行自动化睡眠阶段分期.我们相信这些代码同时可以用于其他生理信号(如ECG,EMG等)的分类.希望这将有助于您的研究.
如果你需要运行这些代码（训练自己的模型或者使用预训练模型进行测试）请进入以下页面
How to run codes
使用了三个睡眠数据集进行测试,分别是: [CinC Challenge 2018] [sleep-edf] [sleep-edfx]
对于CinC Challenge 2018数据集,使用其C4-M1通道
对于sleep-edfx与sleep-edf数据集,使用Fpz-Cz通道
值得注意的是:sleep-edfx是sleep-edf的扩展版本.
-
对数据集进行的处理
读取数据集各样本后分割为30s/Epoch作为一个输入,共有5个标签,分别是Sleep stage 3,2,1,R,W,将分割后的eeg信号与睡眠阶段标签进行一一对应注意:对于sleep-edfx数据集,我们仅仅截取了入睡前30分钟到醒来后30分钟之间的睡眠区间作为读入数据(实验结果中用only sleep time 进行标注),目的是平衡各睡眠时期的比例并加快训练速度.
-
数据预处理
对于不同的网络结构,对原始eeg信号采取了预处理,使其拥有不同的shape:
LSTM:将30s的eeg信号进行FIR带通滤波,获得θ,σ,α,δ,β波,并将它们进行连接后作为输入数据
resnet_1d:这里使用resnet的一维形式进行实验,(修改nn.Conv2d为nn.Conv1d).
DFCNN:将30s的eeg信号进行短时傅里叶变换,并生成频谱图作为输入,并使用图像分类网络进行分类. -
EEG频谱图
这里展示5个睡眠阶段对应的频谱图,它们依次是Wake, Stage 1, Stage 2, Stage 3, REM
-
关于交叉验证
为了便于与其他文献中的方法便于比较，使用了两种交叉验证方法
1.对于同一数据集，采用5倍K-fold交叉验证
2.在不同数据集间进行交叉验证 -
关于评估指标
对于各标签:
accuracy = (TP+TN)/(TP+FN+TN+FP)
recall = sensitivity = (TP)/(TP+FN)
对于总体: -
关于代码
目前的代码仍然在不断修改与更新中,不能确保其能工作.详细内容将会在毕业设计完成后抽空更新.
该部分将持续更新... ...
[Confusion matrix]
-
sleep-edf
Network Label average recall Label average accuracy error rate lstm resnet18_1d 0.8263 0.9601 0.0997 DFCNN+resnet18 0.8261 0.9594 0.1016 DFCNN+multi_scale_resnet 0.8196 0.9631 0.0922 multi_scale_resnet_1d 0.8400 0.9595 0.1013 -
sleep-edfx(only sleep time)
Network Label average recall Label average accuracy error rate lstm resnet18_1d DFCNN+resnet18 DFCNN+resnet50 -
CinC Challenge 2018(sample size = 100)
Network Label average recall Label average accuracy error rate lstm resnet18_1d DFCNN+resnet18 0.7823 0.909 0.2276 DFCNN+resnet50
- 2019/04/01 DFCNN的运算量也忒大了,提升还不明显,还容易过拟合......真是食之无味,弃之可惜...
- 2019/04/03 花了一天更新到pytorch 1.0, 然后尝试了一下缩小输入频谱图的尺寸从而减小运算量...
- 2019/04/04 需要增加k-fold+受试者交叉验证才够严谨...
- 2019/04/05 清明节…看文献，还是按照大部分人的做法来做吧，使用5倍K-fold和数据集间的交叉验证，这样方便与其他人的方法做横向比较. 不行，这里要吐槽一下，别人做k-fold完全是因为数据集太小了…这上百Gb的数据做K-fold…真的是多此一举，结果根本不会有什么差别…完全是浪费计算资源…
- 2019/04/09 回老家了，啊！！！！我的毕业论文啊。。。。写不完了！
- 2019/04/13 回学校撸论文了，回去的几天莫名奇妙多了两个star...额，这也行