脑电图数据增强:睡眠分期任务中班级失衡问题的研究( EEG data augmentation: Towards class imbalance problem in sleep staging tasks )

J Fan

目的：自动睡眠分期模型存在类不平衡问题(CIP)，这阻碍了分类器取得更好的性能。为了解决这个问题，我们系统地研究了睡眠脑电图数据增强(DA)的方法。此外，我们对相关研究领域的DA方法进行了修正和转移，为增强睡眠数据集提供了新的有效方法。方法：本研究涵盖了五种DA方法，包括重复少数类、形态学改变、信号分割与重组、数据集到数据集的转移以及生成对抗网络(GAN)。我们在蒙特利尔睡眠研究档案(MASS)和睡眠-EDF两个数据集上通过睡眠分期模型评估了上述DA方法。我们使用一个具有典型卷积神经网络结构的分类模型来评估上述DA方法的有效性。我们还对这些方法进行了全面的分析。主要结果：分类结果表明，DA方法，尤其是GAN的DA方法，与基线相比，总分类性能有显著提高。结果表明，在正确率、F1评分和Cohen Kappa系数方面，MASS的改善幅度分别为0.90%~3.79%、0.73%~3.48%、2.61%~5.43%和1.36%~4.79%、1.47%~4.23%、2.22%~4.04%。DA方法在大多数情况下提高了分类性能，而N1类的性能在F1评分中表现出微妙的下降。意义：总的来说，我们的研究证明了DA方法在缓解睡眠分期任务中的CIP是有效的。同时，本研究为进一步提高DA方法睡眠分期的准确性提供了途径。

SciDown文献求助系统（解决99%问题） Public Download IOP ResearchGate