2.2. 实现过程

本文所有实验基于计算机编程语言 Python 3.6.9（Python Software Foundation，美国）和深度学习框架 PyTorch 1.1.0（Facebook Inc.，美国）实现，采用英伟达显卡（GeForce RTX 2080，NVIDIA Corp.，美国）进行模型训练，优化器采用自适应矩估计算法（adaptive moment estimation，ADAM），学习率为 0.001，缺失率（dropout）为 0.5。实验采用 5 折交叉验证，其中 Sleep-EDFx SC 的训练、验证、测试比例为 8∶1∶1，Sleep-EDFx ST 和 UCD 的比例为 3∶1∶1。迭代次数为 50，训练集批量大小为 64。片段内与片段间 GRU 隐层单元维度分别为 128 和 256，网络层数为 2。STFT 窗函数为汉宁窗，窗长 1 s，重叠比例 0.5，序列长度为 5。

2.3. 评价指标

本文实验的评价指标包括准确率（accuracy，Acc）、F1 分数（marco F1-score，MF1）、受试者操作特性曲线下面积（area under of receiver operating characteristic curve，AUC-ROC）和查准率-查全率曲线下面积（area under of precision-recall curve，AUC-PR）。

2.4. 基线模型

本文的基线模型包括 6 种相关论文模型和 4 种本文模型变体，为了保证实验有效性与参考价值，所有基线均在本文实验环境下进行复现：

睡眠特征网络（SleepFeatureNet） ^{[ 19 ]} ：利用类似 GoogleNet 的网络模块提取单通道 EEG 信号的特征，进一步采用 GRU 提取片段内时序特征，实现睡眠分期。

多域混合神经网络（Multi-Domain-HybridNN） ^{[ 17 ]} ：将 EEG 信号分割为 30 段，利用 CNN 提取每段的时域和频域特征，再基于双向 LSTM 提取片段内时序特征，实现睡眠分期。

多层次神经网络（HierarchicalNN） ^{[ 20 ]} ：利用 3 种尺度的 CNN 提取信号片段内特征，再通过双向 LSTM 与注意力机制提取片段间时序特征，实现睡眠分期。

MC 睡眠网络（MC-SleepNet） ^{[ 16 ]} ：利用 CNN 提取片段内 EEG 信号和 EMG 信号局部特征，进而采用双向 LSTM 提取片段间时序特征，实现睡眠分期。

STFT-LSTM ^{[ 15 ]} ：对每个通道进行 STFT，利用 LSTM 提取拼接后时频图的时序特征，实现睡眠分期。

序列睡眠网络（SeqSleepNet） ^{[ 21 ]} ：对各个通道进行 STFT 并将时频图拼接，利用片段内双向 GRU 与注意力机制、片段间双向 GRU 先后提取片段内、片段间时序特征，实现睡眠分期。

STFT-CNN：利用 4 层卷积提取片段内多通道时频图特征，实现睡眠分期。

STFT-GRU注意力网络（STFT-GRU attention network，STFT-GRUatt）：本文模型删除片段内通道注意力机制与片段间特征提取操作。

片段内时序网络（intra-temporal network，Intra-TN）：本文模型删除片段间特征提取操作。

Intra-TN + 片段间 GRU（Intra-TN-Inter-GRU）：本文模型只删除片段间时序注意力机制。

2.5. 实验结果与分析

本文模型与 2.4 小节所述 10 种基线模型的实验对比结果如 表 1 ～ 表 3 所示，其中 SleepFeatureNet 和 Multi-Domain-HybridNN 的 Acc 值等指标较低，这是因为二者只提取了 PSG 信号片段内特征。而 HierarchicalNN 和 MC-SleepNet 模型结果相对较好，因为二者的结构采用片段内 CNN+片段间 RNN，体现出片段间时序特征的重要性，但是 CNN 仍存在时序信息提取不充分的局限性。此外，STFT-LSTM 和 SeqSleepNet 基于 RNN 结构充分提取了时频图中的时序特征，对比文献[ 16 - 17 , 19 - 20 ]中提及的 4 种模型效果更优异，但仍忽略了通道相关性特征。HATSN 在 2.1 小节所述数据集上的混淆矩阵如 图 2 所示，可以看出 REM、NREM2 等睡眠阶段的 Acc 指标较高，结合表中结果可得，本文模型采用的片段内双向 GRU 与时序注意力机制、通道注意力机制、片段间双向 GRU 与时序注意力机制，能够分别提取出关键的片段内时序信息、通道相关性信息和片段间时序上下文信息，从而取得相较于上述 6 种模型更好的实验结果。

Open in a separate window

图 2

Confusion matrices of HATSN

HATSN 混淆矩阵

从 4 种模型变体结果可看出，STFT-GRUatt 比 STFT-CNN 的 Acc 值指标更高，说明 GRU 在时频域提取的时序信息比 CNN 提取的局部图像信息更为有效。Intra-TN 比 STFT-GRUatt 实验效果更好，说明通道注意力机制能够有效提取出通道相关性特征。Intra-TN-Inter-GRU 进一步提升了睡眠分期效果，体现出片段间时序特征的重要性。而本文模型在加入片段间注意力机制之后，分类指标 Acc 值达到最高，分别为 0.801、0.801、0.717。

对比所有数据集的实验结果，由于 UCD 数据集采样频率更高，通道数更多，因此数据更为复杂。所以，本文模型在 UCD 数据集上的睡眠分期结果仅达到 0.717。此外，UCD 数据集采集于睡眠疾病患者，而 Sleep-EDFx SC 和 ST 数据集则采集于正常人和轻微入睡障碍患者，这反映出对睡眠疾病患者进行睡眠分期的难度更大。

2.6. 灵敏度分析

不同 STFT 窗函数（汉明窗、汉宁窗、布莱克曼窗）在本文使用数据集上的睡眠分期 Acc 值如 表 4 所示，其中汉宁窗的 Acc 指标均高于其他窗函数，分别达到 0.788、0.790 和 0.708，说明利用汉宁窗进行 STFT 能够有效减弱非平稳 PSG 中的时域噪声干扰，提升模型性能。

汉宁窗的 3 种窗长（1 s、2 s、3 s）实验对比情况如 表 5 所示，当窗长为 1 s 时，在 SC 和 ST 数据集上的 Acc 指标能超过 0.800。这表明更短的窗长能提升时频图的时间分辨率，获得更细节的频率信息以改善睡眠分期结果。