论文笔记：GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classific

Posted 2022-09-05 UQI-LIUWJ

2020 ijcai

1 abstract & introduction

• 这篇论文提出了GraphSleepNet，来进行睡眠阶段分类
  • 自适应地学习不同脑电波EEG频道之间的连接关系（邻接矩阵）
  • 使用STGCN+时空attention的方式进行睡眠阶段分类
• 之前的睡眠阶段分类方法 
  • 不同睡眠阶段之间有不同的转换规则
    • ——>这些规则对睡眠阶段分类提供了很有用的信息
    • ——>但是如果让睡眠研究领域专家根据这些规则进行分类的话/使用SVM、随机森林这样的传统机器学习模型，会很繁琐、同时很费时间
  • 使用CNN+RNN可以比原来的的睡眠阶段分类效果要好
    • ——>但是脑区域不在非欧空间中，因而精度也有限
  • 使用GCN可以更好地衡量脑中各个点之间的连接关系
    • ——>但是受限于人类对脑部的认知，暂时没有一个脑部合适的图结构
  • ——>这篇论文自适应地学习图结构，同时利用STGCN+ST-attention来进行睡眠阶段分类
• 代码链接：jingwang2020/GraphSleepNet: GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification (github.com)

 2  preliminary

• 睡眠阶段分类任务所需的图：G=(V,E,A)
  • V——节点集(|V|=E)
  • E——边集
  • A——邻接矩
•  原始信号序列
  • L：sample数量（个人感觉上图每个30秒的N个时间序列就是一个sample）
  • N：每个sample中channel数量
  • Ts：每个sample中时间序列的长度
• 对每个sample si，论文选择了不同频段的微分熵（differential entropy）作为si的特征
  • 所以每个sample的特征矩阵为：
  • 其中表示点n在第i个sample中的个特征
• 睡眠阶段分类任务的定义如下：
  • 给定，求出当前时刻i对应的睡眠阶段
  • 这里的d是一个参数，衡量了可以看到的时间信息的多少

3 GraphSleepNet

3.1 自适应邻接矩阵

• 这定义了一个非负函数，来衡量两个点之间的连接关系
  • 其中是中两个维的向量
  • 

    •  这里是需要学习的一组参数，通过最小化求得

    • 

    •  (2)式的意思是

      • ① 距离越远，越小

      • ②脑连接结构并不是一个全连接/复杂结构，所以通过第二项正则项控制连边的数量

  • 为了避免学到,这里是将和分类误差联立，进行优化

  • 

 3.2 时空图卷积

3.2.1 空间图卷积

这里使用了ChebNet的思路，通过K-1阶切比雪夫多项式来作为谱图卷积的卷积核

GCN笔记：Graph Convolution Neural Network，ChebNet_UQI-LIUWJ的博客-CSDN博客

•  第l层的输入
  •  ——>每个点的channel数量 （比如l=1时，）
  • ——>第l层的时间维度（比如l=1时，
• 对每个，论文使用Cl个filter，来获得谱图卷积后的计算结果
  • 其中
• 空间图卷积的结果：

3.2.2 时间卷积

使用二维CNN（Φ——卷积核参数）

 3.3 时空注意力

调整输入（左乘空间注意力矩阵、右乘时间注意力矩阵）

3.3.1 空间注意力

 

以下都是可训练参数：

• 
• 
•   
• 

 

 3.3.2 时间注意力

 以下都是可训练参数：

• 
• 
• 
• 

4 实验