Automatic sleep stage classification based on single-channel EEG
Julkaistu sarjassa
JYU dissertationsTekijät
Päivämäärä
2023Tekijänoikeudet
© The Author & University of Jyväskylä
Sleep issues are on the rise and have a negative impact on global population
health, particularly during the COVID-19 outbreak. The most crucial stage is to
correctly assess sleep quality and diagnose sleep disorders by categorizing the
stages of sleep (also called sleep scoring). The most common tool for sleep scoring
is the polysomnography (PSG) recording. However, this manual procedure
is time-consuming and heavily reliant on clinic expertise. As a result, it is essential
to develop automatic sleep stage classification methods to fulfill the growing
unmet demands for sleep research. In this thesis, we focus on developing deep
learning-based (DL-b) methods and solutions for the class imbalance problem
(CIP) and model interpretability in automatic sleep scoring using single-channel
EEG.
In Article I, we present an efficient one-dimensional Conventional Neural
Network (1D-CNN) based model, namely SingleChannelNet (SCNet), for automatic
sleep scoring with raw single-channel EEG. In Article II, we further seek to
accelerate the training speed with the spectrogram input. In addition, our proposed
LightSleepNet (LSNet) could achieve promising performance while requiring
far fewer model parameters. To alleviate the CIP, we propose different balancing
methods to balance the dataset samples and network connection with the
Gaussian white noise addition (GWN), Generative adversarial network (GAN)
and class weight redesign methods in Articles III and IV, respectively. In Article V,
we provide an interpretable sleep stage classification scheme based on layer-wise
relevance propagation (LRP), which can visually demonstrate the contribution of
specific EEG patterns in each sleep stage to the final model prediction.
To conclude, this thesis proposes two DL-b methods for automatic sleep
stage classification, which could obtain remarkable performance on public PSG
datasets. In addition, we systematically analyze and present efficient solutions
to the CIP and model interpretability in automatic sleep scoring. Ultimately, we
expect this thesis to promote the practical application of DL-b automatic sleep
scorning methods in the future.
Keywords: Sleep stage classification, single-channel EEG, deep neural network,
class imbalance problem, model interpretability
...
Uniongelmat lisääntyvät ja niillä on kielteinen vaikutus maailman väestön terveyteen,
kuten COVID-19-pandemia osoitti. Uniongelmien analysoimisessa tärkein
vaihe on arvioida oikein unen laatua ja diagnosoida unihäiriöt luokittelemalla
unen vaiheet (kutsutaan myös unipisteytykseksi). Yleisin unen pisteytyksen
työkalu on polysomnografiatallennus. Tämä toimenpide on kuitenkin aikaa
vievä ja on tehtävä asiantuntevalla klinikalla. Tästä syystä tarvitaan automaattisia
univaiheen luokittelumenetelmiä, jotka täyttävät unitutkimuksen kasvavat vaatimukset.
Tässä väitöskirjassa keskitymme kehittämään syväoppimiseen perustuvia
menetelmiä ja etsimään ratkaisuja luokkaepätasapaino-ongelmaan ja mallin
tulkittavuuteen automaattisessa unen pisteytyksessä käyttäen yksikanavaista
EEG:tä.
Artikkelissa I esittelemme tehokkaan yksiulotteisen konvoluutiohermoverkkopohjaisen
mallin SingleChannelNet (SCNet). Se perustuu automaattiseen unen
pisteytykseen yksikanavaisella EEG:llä. Artikkelissa II pyrimme parantamaan mallin
optimointinopeutta spektrogrammin syötteen avulla. Ehdottamallamme mallilla
LightSleepNet (LSNet) on lupaava suorituskyky ja se vaatii merkittävästi vähemmän
malliparametreja. Luokkaepätasapaino-ongelman lieventämiseksi ehdotamme
artikkeleissa III ja IV erilaisia menetelmiä tietojoukkonäytteiden tasapainottamiseksi
Gaussin valkoisen kohinan lisäyksen, generatiivisen adversariaalisen
verkon ja verkkoyhteyden avulla käyttäen luokkapainotuksen uudelleensuunnittelumenetelmiä.
Artikkelissa V tarjoamme tulkittavan relevanssin kerroksittaiseen
etenemiseen perustuvan univaiheen luokittelukaavion, joka voi visuaalisesti
osoittaa kunkin univaiheen tiettyjen EEG-kuvioiden vaikutuksen lopulliseen
mallin ennusteeseen.
Johtopäätöksenä tässä opinnäytetyössä ehdotetaan automaattiseen univaiheen
luokitteluun kahta menetelmää, jotka voisivat saavuttaa huomattavan suorituskyvyn
julkisissa polysomnografia-aineistoissa. Lisäksi analysoimme ja esittelemme
systemaattisesti tehokkaita ratkaisuja luokkaepätasapaino-ongelmaan
ja mallin tulkittavuuteen automaattisessa unipisteytyksessä. Odotamme tämän
opinnäytetyön edistävän automaattisten unihalvausmenetelmien käytännön soveltamista
tulevaisuudessa.
Avainsanat: Univaiheen luokittelu, yksikanavainen EEG, syvä hermoverkko,
luokkaepätasapaino-ongelma, mallin tulkittavuus
...
Julkaisija
Jyväskylän yliopistoISBN
978-951-39-9303-0ISSN Hae Julkaisufoorumista
2489-9003Julkaisuun sisältyy osajulkaisuja
- Artikkeli I: Zhou, D., Wang, J., Hu, G., Zhang, J., Li, F., Yan, R., Kettunen, L., Chang, Z., Xu, Q., & Cong, F. (2022). SingleChannelNet : A model for automatic sleep stage classification with raw single-channel EEG. Biomedical Signal Processing and Control, 75, Article 103592. DOI: 10.1016/j.bspc.2022.103592. JYX: jyx.jyu.fi/handle/123456789/85554
- Artikkeli II: Zhou, D., Xu, Q., Wang, J., Zhang, J., Hu, G., Kettunen, L., Chang, Z., & Cong, F. (2021). LightSleepNet : A Lightweight Deep Model for Rapid Sleep Stage Classification with Spectrograms. In EMBC 2021 : 43rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 43-46). IEEE. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. DOI: 10.1109/embc46164.2021.9629878. JYX: jyx.jyu.fi/handle/123456789/85535
- Artikkeli III: Xu, Q., Zhou, D., Wang, J., Shen, J., Kettunen, L., & Cong, F. (2022). Convolutional Neural Network Based Sleep Stage Classification with Class Imbalance. In IJCNN 2022 : Proceedings of the 2022 International Joint Conference on Neural Networks. IEEE. Proceedings of International Joint Conference on Neural Networks. DOI: 10.1109/ijcnn55064.2022.9892741. JYX: jyx.jyu.fi/handle/123456789/85542
- Artikkeli IV: Zhou, D., Xu, Q., Wang, J., Xu, H., Kettunen, L., Chang, Z., & Cong, F. (2022). Alleviating Class Imbalance Problem in Automatic Sleep Stage Classification. IEEE Transactions on Instrumentation and Measurement, 71, Article 4006612. DOI: 10.1109/TIM.2022.3191710. JYX: jyx.jyu.fi/handle/123456789/85541
- Artikkeli V: Zhou, D., Xu, Q., Zhang, J., Wu, L., Kettunen, L., Chang, Z., Xu, H. and Cong, F. (2023). Interpretable Sleep Stage Classification Based on Layer-wise Relevance Propagation. Submitted to IEEE Transactions on Cognitive and Developmental Systems, under revision.
Metadata
Näytä kaikki kuvailutiedotKokoelmat
- JYU Dissertations [806]
- Väitöskirjat [3498]
Lisenssi
Samankaltainen aineisto
Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.
-
SingleChannelNet : A model for automatic sleep stage classification with raw single-channel EEG
Zhou, Dongdong; Wang, Jian; Hu, Guoqiang; Zhang, Jiacheng; Li, Fan; Yan, Rui; Kettunen, Lauri; Chang, Zheng; Xu, Qi; Cong, Fengyu (Elsevier, 2022)In diagnosing sleep disorders, sleep stage classification is a very essential yet time-consuming process. Various existing state-of-the-art approaches rely on hand-crafted features and multi-modality polysomnography (PSG) ... -
DeepFake knee osteoarthritis X-rays from generative adversarial neural networks deceive medical experts and offer augmentation potential to automatic classification
Prezja, Fabi; Paloneva, Juha; Pölönen, Ilkka; Niinimäki, Esko; Äyrämö, Sami (Nature Publishing Group, 2022)Recent developments in deep learning have impacted medical science. However, new privacy issues and regulatory frameworks have hindered medical data sharing and collection. Deep learning is a very data-intensive process ... -
Alleviating Class Imbalance Problem in Automatic Sleep Stage Classification
Zhou, Dongdong; Xu, Qi; Wang, Jian; Xu, Hongming; Kettunen, Lauri; Chang, Zheng; Cong, Fengyu (Institute of Electrical and Electronics Engineers (IEEE), 2022)For real-world automatic sleep-stage classification tasks, various existing deep learning-based models are biased toward the majority with a high proportion. Because of the unique sleep structure, most of the current ... -
Automatic subgenre classification of heavy metal music
Tsatsishvili, Valeri (2011)Automatic genre classification of music has been of interest for researchers over a decade. Many success-ful methods and machine learning algorithms have been developed achieving reasonably good results. This thesis explores ... -
Approaches and challenges of automatic vulnerability classification using natural language processing and machine learning techniques
Jormakka, Ossi (2019)Automatisoitu haavoittuvuuksien etsiminen ja haavoittuvuuksien yksityiskohtien ennustaminen voi auttaa asiantuntijoita priorisoimaan ohjelmistovirheitä, joka voi johtaa nopeampaan virheenkorjaukseen. Tässä työssä käytettiin ...
Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.