睡眠分期深度学习模型从零搭建

📚 共计 30 章节

睡眠分期概述

什么是睡眠分期、临床意义、R&K标准与AASM标准介绍

PSG信号基础

脑电图(EEG)、眼电图(EOG)、肌电图(EMG)基本原理与采集

Python环境搭建

Anaconda安装、虚拟环境、TensorFlow/PyTorch安装验证

数据获取与探索

公开数据集(Sleep-EDF, SHHS, MASS)下载与格式解析

数据预处理(上)

信号滤波(带通、陷波)、重采样、伪迹去除基础方法

数据预处理(下)

信号分段(epoch)、标签对齐、数据标准化(Z-score)

分段标准化

特征工程(上)

时域特征(均值、方差、过零率)、频域特征(功率谱密度)

特征工程(下)

非线性特征(样本熵、近似熵、去趋势波动分析)、特征选择

数据集划分

训练/验证/测试集划分、交叉验证、类别不平衡处理

深度学习基础回顾

感知机、激活函数(ReLU, Sigmoid, Tanh)、损失函数

卷积神经网络(CNN)基础

卷积层、池化层、全连接层、感受野概念

循环神经网络(RNN)基础

RNN单元、梯度消失/爆炸、LSTM与GRU原理

注意力机制入门

自注意力、多头注意力、Transformer架构简介

注意力Transformer

模型架构设计(上)

1D-CNN用于单通道EEG特征提取

模型架构设计(中)

CNN-LSTM混合模型用于时空特征融合

模型架构设计(下)

基于Transformer的睡眠分期模型

Transformer分期

损失函数与优化器

交叉熵损失、加权损失、Adam/SGD优化器选择

训练循环实现

PyTorch/TensorFlow训练脚本、Batch训练、Epoch循环

模型评估指标

准确率、精确率、召回率、F1-score、混淆矩阵、Cohen's Kappa

过拟合与正则化

Dropout、Batch Normalization、早停法、L1/L2正则化

正则化防过拟合

超参数调优

学习率、批量大小、层数、神经元数量的网格/随机搜索

实验记录与可视化

TensorBoard使用、训练曲线绘制、超参数对比

可视化TensorBoard

模型保存与加载

Checkpoint保存、最佳模型选择、模型导出为ONNX

推理与部署

单条样本预测、批量预测、简单Flask API部署

可解释性分析(上)

Saliency Map、Grad-CAM可视化重要时间片段

可解释Grad-CAM

可解释性分析(下)

SHAP值分析、特征重要性排序

多模态融合

EEG+EOG+EMG多通道融合策略、早期融合与晚期融合

多模态融合

使用预训练模型(SleepTransformer)进行微调

自监督学习入门

对比学习(SimCLR)在睡眠分期中的应用

自监督SimCLR

项目实战与总结

完整项目流程梳理、常见问题与解决方案、未来方向展望