비지도 학습을 이용한 수면 단계 분류

수면 단계 분류라는 어렵고 시간이 많이 소요되는 작업을 위해 컴퓨터를 훈련시키려는 대부분의 시도는 특징 추출 단계를 포함합니다. 다중 모달 수면 데이터의 복잡성으로 인해 특징 공간의 크기가 커져서 특징 선택 단계를 포함하는 것이 필요해질 수 있습니다. 본 논문에서는 깊은 신념망(Deep Belief Nets, DBN)이라고 하는 비지도 특징 학습 아키텍처의 사용을 제안하고 이를 수면 데이터에 적용하여 수제 특징의 사용을 없애는 방법을 보여줍니다. 수면 단계 전환을 정확하게 포착하기 위한 숨겨진 마르코프 모델(HMM)의 후처리 단계를 사용하여, 우리는 우리의 결과를 특징 기반 접근 방식과 비교합니다. 가정 환경 데이터 수집에 대한 이상 탐지 연구도 제시됩니다. DBN과 같은 깊은 아키텍처를 사용한 원시 데이터를 사용한 결과는 임상 데이터 세트에서 검증되었을 때 특징 기반 접근 방식과 유사했습니다.