计算机应用研究

作者：赵彦晶,周强,刘鑫,李婉,田蕴郅,

单位：1.陕西科技大学a.电气与控制工程学院;b.电子信息与人工智能学院,西安710021；2.陕西省人工智能联合实验室,西安710021；

关键词：睡眠分期,密集连接网络,深度强化学习,超参数在线优化,

基金：国家自然科学基金资助项目(62101312)；陕西省科技厅工业项目(2024GX-YBXM-544)；；

目前，基于脑电（EEG）信号的人体睡眠分期方法呈现出单通道和网络模型深度化的趋势，然而单通道信息采集使得EEG失去大脑区域的位置信息，EEG中表征睡眠阶段的特征因趋向稀疏化而难以提取，同时深度网络的共性问题——模型及其训练的超参数的人工设定使得训练过程盲目且低效，这些问题导致自动睡眠分期方法的准确率低。为此，提出利用密集连接网络（DenseNet）对模型层间特征重用功能，挖掘深藏于EEG信号中的睡眠状态信息，针对单通道EEG信号在频域上的低频特性以及时域上长程依赖特性，对DenseNet模型进行了改进，实现了人体睡眠的快速和精确分期；为进一步提升DenseNet性能，使用深度确定性策略梯度（DDPG）算法，在网络学习训练过程中利用强化学习思想对DenseNet关键超参数进行在线优化和自动调节。实验结果表明，该算法模型在Sleep-EDFx数据集上的分期准确率达到了89.23%，总体效果优于近年来其他先进分期算法，表现出良好的应用前景。

来源：2024年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第9期