Material and Methods (2)

Time Distributed Multivariate Network

 

시간적 수면 단계 분류 (k>0)를 수행하기 위해 제안하는 시간 분산 다변량 네트워크를 설명한다. 그것은 이전에 제시된 다변량 네트워크 아키텍처를 기반으로 하고 시간적 맥락을 고려할 수 있는 시간에 그것을 배포한다. 실제로 등급 N2의 표본은 다른 N2 표본에 가깝지만 N1 또는 N3 표본에 가까울 가능성이 매우 높다.

 

관심 샘플 전후의 신호의 통계적 특성을 고려하기 위해, 관심 샘플 이전 또는 이후 여러 시간 세그먼트에서 Z에 의해 추출된 다양한 특징을 집계할 것을 제안한다. 좀 더 공식적으로, S^(k)_(T)={Xt-k,…,Xt,…,Xt+k} ∈ Xk를 2k+1개의 인접 샘플 (과거에는 k개 샘플, 미래에는 k개 샘플)의 시퀀스로 설정한다. 시간 내에 기능 추출기를 분배하는 것은 SKT의 각 샘플에 Z를 적용하고 D(2k+1) 크기의 벡터를 형성하는 2k+1 출력을 집계하는 것이다. 그런 다음, 얻은 벡터는 최종 소프트맥스 분류기로 공급된다.

 

k=1로 일련의 입력 SKt={Xt-k,…,Xt,…,Xt+k}을 처리하기 위한 시간 분산 아키텍처. Xk는 기능 추출기 Z로 공급되는 30초 이상의 다변량 입력 데이터를 의미한다. 기능은 연속된 30초 샘플에서 추출된다. 그런 다음 얻은 피쳐가 집계된다 [zt-k,…,zt,…,zt+k]. 결과적인 특징 집계는 최종적으로 분류기에 공급되어 샘플 Xt와 관련된 레이블 yt를 예측한다.

 

Training

 

최소화는 미니 데이터 배치를 사용하여 확률적 그레이디언트 강하를 기반으로 하는 온라인 절차를 통해 수행된다. 그러나 표현되지 않은 클래스 (일반적으로 W 및 N1 단계)를 구별하는 방법을 배울 수 있고, 균형 잡힌 정확도를 최적화하는 데 관심이 있기 때문에 128 크기의 미니 일괄로 각 클래스의 분포를 균형 있게 조정할 것을 제안한다. Adam 옵티마이저는 α=0.001 (학습 속도), α1=0.9, β2=0.999 및 β=10^-8 매개 변수를 사용하여 최적화에 사용된다.

 

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

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