最近，北京交通大学的贾子钰博士等人在第29届国际人工智能联合会议IJCAI (International Joint Conference on Artificial Intelligence, CCF人工智能领域A类会议) 发表了一篇关于睡眠自动分期的文章《GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification》。

    该文章以时空睡眠脑电数据的高精度分类为研究目标，而由于人类对人脑的认知是有限的，因此为睡眠阶段分类预定义合适的空间脑连接结构仍然是一个难题。论文提出了一种新颖的深度图神经网络GraphSleepNet，该模型将脑连接结构学习与时空图卷积集成于统一的框架，并首次应用于睡眠分期领域，在MASS数据集的实验表现优秀。

    文章将sleep stage net定义为无向图G = (V, E, A)，其中V为顶点集，网络中的每个顶点代表大脑上的一个电极；|V | = N为睡眠阶段网络的顶点数；E表示边的集合，表示顶点之间的连接；A表示睡眠阶段网络G的邻接矩阵。如图1所示，Gt是由30秒脑电图信号序列St 组成。得到的sleep feature matrix将作为网络的输入。值得注意的是，如图2所示，模型中使用的邻接矩阵A是通过学习获得的，而传统的GCN通常使用固定的邻接矩阵。

图1：sleep stage net和sleep feature matrix

图2：动态学习图结构得到的自适应睡眠图(邻接结构)

图3：GraphSleepNet总体模型架构图

    GraphSleepNet的总体模型架构如图3所示，包括三个关键点：

    1）该模型能够表示节点之间的功能连接关系并动态构造邻接矩阵（脑连接网络）。

    2）该模型利用空间图卷积和时间卷积提取睡眠脑电信号的空间特征和时间特征。

    3）该模型采用时空注意机制自动捕获更有价值的时空信息进行高精度分类。

    该模型的主要优点是自适应地学习最适合ST-GCN的睡眠连接结构，以及该模型结合时空卷积和时空注意机制，同时捕获睡眠数据的注意时空特征。这方法为实现睡眠自动分期提供了一种新的思路。

论文地址：https://www.ijcai.org/Proceedings/2020/0184.pdf

相关新闻：http://insis.bjtu.edu.cn/85.html