开题报告内容:(包括拟研究或解决的问题、采用的研究手段及文献综述,不少于2000字)
一、课题解决的问题
睡眠是人类的基本生命活动之一,它对于保持人体的生理健康与正常心理活动是很重要的。人的一生中约有三分之一是在睡眠中度过的,在这个过程中,良好的睡眠有助于机体进行一系列生理活动,如:促进身体发育,维持和恢复能量,提高学习能力和记忆力,增强免疫力,修复组织等[1-3]。然而,由于逐渐增加的现代生活压力及其他原因,近年来失眠、嗜睡、噩梦等睡眠障碍的发病率正在上升[4, 5]。这些慢性睡眠障碍轻则引发情绪焦虑,影响生活质量、降低工作效率,严重时甚至会促使免疫缺陷的产生,并常与肥胖、糖尿病和心血管疾病等其他疾病相关[3, 6]。睡眠分期作为研究睡眠的重要手段之一,对深入了解并研究睡眠的机制具有重要意义。因此,为了诊断并治疗睡眠障碍,找出一种能高效且准确对睡眠进行分期和评估的方法至关重要。
根据Rechtschaffen and Kales规则(Ramp;K)和美国睡眠医学学会(American Academy of Sleep Medicine, AASM)手册,睡眠过程大致分为觉醒期(Wake)、非快速眼动期(Non-rapid Eye Movement, NREM)和快速眼动期(Rapid Eye Movement, REM)[7]。其中依据Ramp;K评分手册,非快速眼动期又可以被分为浅睡1期(S1或N1)、浅睡2期(S2或N2)、深睡3期(S3)和深睡4期(S4)。然而,根据AASM手册,深睡3期和深睡4期可以被合并为深睡期N3,通常被称为慢波睡眠期(Slow Wave Sleep, SWS)或深度睡眠期。
在传统方法中,睡眠分期通常是由经验丰富的睡眠分期专家,依据睡眠分期规则手动完成睡眠各阶段的划分和统计。然而,人工睡眠分期需要耗费大量的专业人才和时间、主观性强、效率低下并且可普及性较差[8]。因此,在睡眠分期领域,研制一种能够实现自动睡眠分期的模型一直是重要的研究方向。
二、研究方法和技术路线
深度学习是近几年来机器学习领域里热门的研究新方向,它与传统机器学习相比,具备许多独特的优势。传统的机器学习通常是浅层学习,它往往需要利用人工从原始数据中提取特征值,并且它的网络模型通过学习获得的是没有层次的单层特征[9]。而深度学习则具有良好的泛化的能力,它能够从输入的样本数据中高度抽象并分类,自动学习并提取特征,解决了许多以往人工智能领域难以克服的困难[10]。因此,我计划通过应用深度学习对413人的睡眠和觉醒期的脑电信号做分析,以此来对睡眠进行分期,以下是我即将应用的深度学习的模型介绍:
卷积神经网络(Convolutional Neural Network, CNN)主要由输入层、卷积层、池化层、全连接层和输出层组成,其中卷积层和池化层是体现卷积神经网络的优势的重要组成部分[11]。在卷积层中,CNN通过局部连接获取从输入层输入的全部样本数据,使模型一定程度上不会因为样本平移、扭曲、缩放而出现不稳定的情况;并利用权值共享减少权值数量,以达到高效获取特征、降低网络的复杂度的效果[9, 10]。在池化层中,池化操作,即通过一个局部区域中不同位置的特征进行聚合统计的操作,如计算该区域的平均值或最大值,不仅能够极大地降低特征向量的维度,进一步降低训练分类器所需的计算量,而且能够有效地扩充训练数据,有利于防止过拟合[12]。
循环神经网络(Recursive Neural Network, RNN)是一种可以有效地解决序列化问题的方法,它可以依据既定的单向图由后往前地利用相同的权重来构造网络,能够充分地利用时序 的数据和特征,但该方法存在着梯度爆炸和消失的隐患[13]。而由RNN改进的模型长短时记忆(Long Short Term Memory, LSTM)、双向长短时记忆网络(Bi-Directional Long Short-term Memory, Bi-LSTM)和门控循环单元(Gated Recurrent Unit, GRU)很好地克服了这个困难。LSTM、Bi-LSTM和GRU都包含一些控制门,在LSTM和Bi-LSTM中是输入门、记忆门及输出门,而在GRU中则为更新门及重置门[14]。这些门控制着信息通过的比例,可以决定在每个节点应该对接收的数据保留多少,遗忘多少,并且向下一个节点传递多少数据[14]。因此,一些重要的位于序列前列的特征不会因为序列过长而在学习过程中被遗忘,从而解决梯度消失问题。
三、论文课题研究进度安排
以上是文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。