U-Time与U-Sleep简介
U-Time是一个用于时间序列分割的全卷积神经网络,最初由Perslev等人在2019年提出并应用于睡眠分期任务。U-Sleep则是在U-Time基础上进一步改进的高频睡眠分期模型,由同一研究团队于2021年发布。这两个模型都代表了睡眠分析领域的重要进展,为自动化睡眠分期提供了强大的工具。
U-Time模型
U-Time模型采用了全卷积网络的架构,能够直接对原始的多导睡眠信号进行端到端的处理,输出每个时间点的睡眠阶段预测。其主要特点包括:
- 全卷积结构,无需手动特征提取
- 可处理任意长度的输入序列
- 具有多尺度特征提取和融合的能力
- 训练效率高,参数量相对较少
U-Time在多个公开数据集上取得了优异的睡眠分期性能,展现出了较强的泛化能力。
U-Sleep模型
U-Sleep是在U-Time基础上的进一步改进,主要针对高频睡眠分期任务进行了优化。其主要改进包括:
- 能够同时处理多个数据集的训练
- 支持随机选择输入通道配置
- 针对不同临床人群和采集协议进行了适应性优化
- 提高了对高频睡眠数据的处理能力
U-Sleep展现出了更强的鲁棒性和通用性,能够在多种临床场景下实现准确的自动睡眠分期。
系统要求
要成功运行U-Time和U-Sleep,需要满足以下系统要求:
硬件要求
- 4核以上CPU
- 8GB以上RAM
- 充足的硬盘存储空间
- 至少1个支持CUDA的GPU(推荐)
对于从头训练U-Sleep模型,建议使用更高配置的硬件:
- 8核CPU
- 40GB RAM
- 4TB可用存储空间
- 1个高性能GPU
软件要求
- Linux操作系统(推荐Red Hat Enterprise 7.8或Ubuntu 18.04)
- Anaconda或Miniconda 4.5+
- NVIDIA GPU驱动450.x+
- CUDA Toolkit 11.2
- cuDNN SDK 8.1
安装指南
按照以下步骤安装U-Time/U-Sleep:
- 克隆代码仓库:
git clone https://github.com/perslev/U-Time.git
- 创建conda环境:
conda env create --file U-Time/environment.yaml
- 激活环境:
conda activate u-sleep
- 安装U-Time包:
pip install U-Time/
也可以直接从PyPI安装:
pip install utime
U-Sleep演示
以下是一个简单的U-Sleep模型训练演示:
- 初始化项目:
ut init --name demo --model usleep_demo
- 下载示例数据:
ut fetch --dataset sedf_sc --out_dir data/sedf_sc --N_first 6
ut fetch --dataset dcsm --out_dir data/dcsm --N_first 6
- 数据集划分:
ut cv_split --data_dir data/sedf_sc/ --subject_dir_pattern 'SC*' --CV 1 --validation_fraction 0.10 --test_fraction 0.25 --subject_matching_regex 'SC4(\d{2}).*' --seed 123
ut cv_split --data_dir data/dcsm/ --subject_dir_pattern 'tp*' --CV 1 --validation_fraction 0.10 --test_fraction 0.25 --seed 123
- 数据预处理:
ut preprocess --out_path data/processed_data.h5 --dataset_splits train_data val_data
- 训练模型:
ut train --num_gpus=1 --preprocessed --seed 123
- 预测和评估:
ut predict --num_gpus=1 --data_split test_data --strip_func strip_to_match --one_shot --save_true --majority --out_dir predictions
ut cm --true 'predictions/test_data/sedf_sc/*TRUE.npy' --pred 'predictions/test_data/sedf_sc/majority/*PRED.npy' --ignore 5 --round 2 --wake_trim_min 30
U-Sleep完整复现
要完整复现U-Sleep论文中的结果,需要更多的数据和计算资源。主要步骤包括:
- 下载并准备所有必要的睡眠数据集
- 对每个数据集运行提取和预处理命令
- 初始化U-Sleep项目并配置数据路径
- 使用完整的训练参数开始模型训练
- 在测试集上进行预测和评估
详细的复现步骤请参考项目文档。
U-Time示例
以下是一个端到端的U-Time模型训练示例:
- 获取数据集:
ut fetch --dataset sedf_sc --out_dir datasets/sedf_sc
- 准备固定划分实验:
ut cv_split --data_dir 'datasets/sedf_sc' --subject_dir_pattern 'SC*' --CV 1 --validation_fraction 0.20 --test_fraction 0.20 --subject_matching_regex 'SC4(\d{2}).*' --file_list
- 初始化U-Time项目:
ut init --name my_utime_project --model utime --data_dir datasets/sedf_sc/views/fixed_split
- 开始训练:
cd my_utime_project
ut train --num_gpus=1 --channels 'EEG Fpz-Cz'
- 预测和评估:
ut evaluate --out_dir eval --one_shot
ut cm --true 'eval/test_data/dataset_1/files/*/true.npz' --pred 'eval/test_data/dataset_1/files/*/pred.npz'
ut summary --csv_pattern 'eval/test_data/*/evaluation_dice.csv' --print_all
- 高分辨率预测:
ut predict --folder_regex '../datasets/sedf_sc/SC400[1-2]E0' --out_dir high_res_pred --data_per_prediction 384 --one_shot
总结
U-Time和U-Sleep代表了睡眠分析领域的重要进展,为自动化睡眠分期提供了强大而灵活的工具。这两个模型的开源实现为研究人员和临床工作者提供了宝贵的资源,有助于推动睡眠医学的发展。通过遵循本文介绍的步骤,读者可以轻松地开始使用这些先进的睡眠分期模型,并根据自己的需求进行定制和改进。
随着深度学习技术的不断发展,我们可以期待在未来看到更多基于U-Time和U-Sleep的创新应用,不仅在睡眠分析领域,也可能扩展到其他时间序列分割任务中。这些模型的成功也为其他生物医学信号处理任务提供了有益的借鉴。
研究人员和开发者可以通过GitHub上的U-Time项目获取最新的代码和文档,参与到这个开源项目的持续改进中。同时,对于那些希望直接使用预训练U-Sleep模型进行自动睡眠分期的用户,可以访问sleep.ai.ku.dk网站获取更多信息和使用指南。
随着这些工具的不断完善和推广,我们有理由相信,自动化睡眠分析将在未来为更多患者带来便利,为睡眠障碍的诊断和研究提供更强大的支持。
