应用DANN进行睡眠质量检测

论文：Sleep Quality Estimation with Adversarial Domain Adaptation:From Laboratory to Real Scenario

• 目的：应用域对抗神经网络（DANN）分类实际生活场景中的睡眠脑电信号。

• 模型：使用实验室安静控制环境下采集的脑电信号训练DANN模型，通过域自适应方法将知识迁移到真实环境中。

• 实验结果：DANN在跨样本和跨场景任务中均能取到较高的正确率。

方法

1. 数据预处理

选择电极通道，重参考

2. 数据分频段

$\delta (1-4Hz),\theta (4-8Hz),\alpha (8-13Hz),\beta (13-30Hz),\gamma (30-50Hz)$

3. 特征提取

从18个通道，5个频段上提取Differential entropy(DE)特征，故特征向量长度为90。利用线性动态系统去除特征向量中的噪声（Emotional state classification from EEG data using machine learning approach,2014）。

4. 域适应模型

本文中一共使用了8种模型用于比较，包括

1. 迁移成分分析(TCA)
2. 信息理论学习(ITL)
3. 测地线流核(GFK)
4. 联合分布适配(JDA)
5. 子空间对齐(SA)
6. 迁移联合比较(TJM)
7. 最大独立域适应(MIDA)

以及第8种，DANN，该模型的详细内容见论文（Unsupervised Domain Adaptation by Backpropagation，2015）及模型详解博客。

数据采集

实验室数据

• 来自学生，10人

• 分为三类，睡眠4，6，8个小时，分别对应好，一般，不好的睡眠质量。

• 采集脑电持续30分钟。

真实场景数据

• 来自高铁司机，70人

• 不提前控制睡眠要求，尽可能模拟其日常生活状态。实验开始前通过问卷形式统计其前一天晚上的睡眠情况。

• 使用干电集设备

数据处理

• 预处理，特征提取，时间窗为1秒。

  实验室数据来自于10人，每人3个实验，每个实验30分钟，共有$10\ast 3\ast 30\ast 60=58172(?)$个样本。

  真实数据为70个人，请个实验，每个实验3分钟数据，共有$70\ast 3\ast 60=12600$个样本

实验任务

跨样本(Cross-Subject)

• 使用真实数据训练和测试模型（跨样本）

• 使用5折交叉验证

每次视其中的一个fold为目标域，其余4个一起作为源域

跨场景(Cross-Scenario)

• 使用实验室数据训练模型，使用真实数据测试模型（跨场景）

• 真实数据作为目标域，实验室数据作为源域

模型训练

• 使用含标签的源域数据和无标签的目标域数据训练DANN，在评价阶段使用目标域标签。

• GRL的tradeoff参数$\lambda$设置为0.01。

实验结果