Material and Methods (1)

자료 및 방법

 

다변수 및 다중 모드 시계열에서 시간적 수면 단계 분류를 수행하는 딥 러닝 아키텍처를 제시합니다. 먼저 여기에서 다루는 분류 문제를 공식적으로 정의한다. 그런 다음 시간적 컨텍스트 없이 예측하는 데 사용되는 네트워크 아키텍처를 제시한다 (k=0). 그런 다음 시간적 수면 단계 분류를 수행하기 위해 제안된 시간 분산 다변수 네트워크를 설명한다 (k>0).

 

Machine Learning Problem

 

고려되는 시간적 분류 작업을 수학적 용어로 공식화한다. 음이 아닌 정수여야 한다. f : Xk ⟶ Y로 표시된 매개변수 집합에 속하는 예측 모델 (F)을 나타낸다. 여기에 순서가 지정된 시퀀스를 입력으로 2k+1 신호의 인접 세그먼트 및 확률 벡터 출력 p ∈ Y를 취한다. 단순화를 위해 네트워크의 매개변수는 기록되지 않는다. 기계 학습 문제는 다음과 같이 처리된다.

 

 

방정식은 신경망 f(x)의 출력과 실제 레이블 y 사이의 범주적 교차 엔트로피의 예상 값을 최소화하여 신경망 f의 매개 변수가 최적화됨을 의미한다.

k>0 신경망이 분류할 신호 세그먼트의 시간적 맥락에 접근할 때마다, 그것은 시간적 수면 단계 분류 문제이고, k=0일 때 문제는 수면 단계 분류의 표준 공식으로 요약된다.

 

Multivariate Network Architecture

 

 

시간적 맥락 (k=0)이 없는 다변량 시계열에서 수면 단계 분류를 수행할 것을 제안하는 심층 네트워크 아키텍처에는 세 가지 핵심 기능이 있다. 즉, 소위 가상 채널을 추정하기 위한 선형 공간 필터링, 스펙트럼 특징을 포착하기 위한 컨볼루션 레이어 및 EEG / EOG 및 EMG를 위한 별도의 파이프라인이다. 이 네트워크는 Z로 나타내는 일반적인 특징 추출기를 구성한다. RC×T→RD, 여기서 D는 추정된 형상 공간의 크기이다. 네트워크는 다양한 수의 입력 채널과 여러 가지 양식을 동시에 처리할 수 있다.

 

네트워크 일반 아키텍처 : 네트워크는 별도의 파이프라인을 통해 CEEG / EOG 채널과 C emEMG 채널을 처리한다. 각 양식성에 대해 공간 필터링을 수행하고 시간 축에 걸쳐 컨볼루션, 비선형 연산 및 최대 풀링 (MP)을 적용한다. 다른 파이프라인의 출력은 소프트맥스 분류기를 공급하기 위해 최종적으로 연결된다.

 

네트워크의 첫 번째 계층은 각각 원래 입력 채널의 선형 조합에 의해 얻어진 가상 채널 세트를 출력하는 시간 독립적 선형 연산이다. 분류 작업에 의해 구동되는 공간 필터링을 구현하여 수행한다. 가상 채널의 수는 첫 번째 레이어를 정사각형 행렬로 곱하는 입력 채널의 수로 설정되었다. 이 정사각형 행렬은 ICA 알고리즘에 의해 추정된 혼합 해제 행렬과 동일한 역할을 한다. 공간 필터를 기반으로 하는 이 첫 번째 계층은 모양 커널 (C,1)을 가진 2D 유효한 컨볼루션으로 구현될 수 있다.

 

길이 T의 시계열을 갖는 CEEG 채널에 대한 형상 추출기를 위한 상세 아키텍처. C'EMG 채널에 동일한 아키텍처가 사용된다. EEG/EOG 및 EMG를 모두 고려할 때, 드롭아웃 계층의 출력은 연결되고 최종 분류기로 공급된다.

 

선형 연산 후에 치수가 순열된다 (표에서 레이어 4 참조). 그런 다음 비선형성과 최대 풀링에 이은 두 개의 시간 컨볼루션 블록이 연속적으로 적용된다. 128Hz에서 샘플링된 신호에 대해 파라미터가 설정되었다. 이 경우 시간 단계 수는 T=128×30=3840이다. 각 블록은 먼저 길이 64의 추정 커널 8개를 스트라이드 1 (약 0.5초 기록)로 사용하여 입력 신호를 컨볼루션한 후, 수정된 선형 단위를 적용한다. ReLU 비선형성 x≤max(x,0). 그런 다음 최대 풀링 레이어를 사용하여 시간 축을 따라 출력이 감소된다 (중복되지 않는 16 크기). 두 컨볼루션 블록의 출력은 마지막으로 각 그레이디언트 단계에서 출력 뉴런의 25%의 업데이트를 무작위로 방지하는 드롭아웃 계층을 통과한다.

이러한 양식은 크기가 비슷하고 두피 표면의 수백 마이크로볼트까지의 전기 전위, 즉 유사한 신호를 측정하기 때문에 EEG와 EOG 시계열을 공동으로 처리한다. EOG 채널을 ICA 분해에 보관하여 EOG 아티팩트를 더 잘 거부할 때 EEG 실무자가 동일한 아이디어를 사용한다. 통계적 특성과 스펙트럼적 특성이 다른 EMG 시계열은 병렬 파이프라인에서 처리된다.

 

그런 다음 결과 출력은 5개의 뉴런과 소프트맥스 비선형성을 가진 최종 레이어로 공급되기 전에 차원 D의 특징 공간을 형성하여 합계가 1인 확률 벡터를 얻는다. 이 최종 계층을 소프트맥스 분류기라고 한다. a²R5를 마지막 층의 사전 활성화로 한다. 네트워크의 출력은 벡터 p²Y이다. p는 다음과 같이 구한다.

 

 

https://ieeexplore.ieee.org/abstract/document/8307462

A Deep Learning Architecture for Temporal Sleep Stage Classification Using Multivariate and Multimodal Time Series