針對現(xiàn)階段可用睡眠腦電數(shù)據(jù)皆為類不平衡小數(shù)據(jù)集，深度學(xué)習(xí)模型的直接遷移應(yīng)用所取得的分期效果較差的問題，分別從數(shù)據(jù)集重構(gòu)和模型訓(xùn)練優(yōu)化兩方面入手，提出可用于少量類不均衡原始睡眠腦電數(shù)據(jù)集的深度自動睡眠分期模型。首先，從減少決策域的角度對修改的生成少數(shù)類過采樣技術(shù)（ MSMOTE）進行改進，并將其用于數(shù)據(jù)集中少數(shù)類的生成；然后，用重構(gòu)后的數(shù)據(jù)集對模型作預(yù)激活處理。15折交叉驗證得出總體精度和宏Fl值分別為86.73%和81. 70%。應(yīng)用改進后的MSMOTE重構(gòu)的數(shù)據(jù)集對模型作預(yù)激活，可使最小類的Fl值由45.16%增至53. 64%。實驗表明，模型可實現(xiàn)對少量原始睡眠腦電數(shù)據(jù)的端到端學(xué)習(xí)，總體分類效果優(yōu)于近年高水平模型，適用于配備遠程服務(wù)器的分體式便攜睡眠監(jiān)測設(shè)備。

　　近年來深度學(xué)習(xí)在圖像識別、自然語言處理以及語音識別領(lǐng)域已有大量成熟的應(yīng)用。在經(jīng)大量注釋的數(shù)據(jù)集訓(xùn)練后，基于深層神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)模型，能夠接近并超過人類專家水平。尤其在醫(yī)學(xué)成像識別中，得益于可直接應(yīng)用現(xiàn)存大型圖像數(shù)據(jù)集對模型進行預(yù)訓(xùn)練，這種優(yōu)越性更為突出。在時序信號處理方面，卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)共同構(gòu)建的網(wǎng)絡(luò)模型已成功應(yīng)用于語音識別和自然語言處理中。9 -10］。雖然受限于目前包括自動睡眠分期在內(nèi)的絕大多數(shù)領(lǐng)域都無法提供足量的數(shù)據(jù)，仍有少量團隊將深度學(xué)習(xí)模型應(yīng)用于自動睡眠分期，實現(xiàn)了端到端睡眠自動分期，但是由于類不平衡小數(shù)據(jù)集在深度學(xué)習(xí)中的局限性，以及未應(yīng)用最新的深度學(xué)習(xí)優(yōu)化技術(shù)，分類精度仍有很大的提升空間。