文章摘要:睡眠状态的有效评估在睡眠健康研究中起着重要的作用，脑电作为直接反映睡眠大脑活动的生理信号被广泛应用在睡眠评估研究中。然而，睡眠脑电数据的标记目前仍以专家评判为主，导致数据标记不足；同时睡眠不同阶段的脑电数据类不平衡问题也影响睡眠状态的自动评估。针对上述睡眠脑电数据存在的问题，本文提出了一种基于生成对抗网络的数据增强模型，用以扩充不同睡眠阶段的脑电数据。首先通过引入Huber函数改进ACGAN模型（辅助分类器生成对抗网络模型）的损失函数，解决数据模糊等质量问题。该模型无需对数据进行特征提取，其生成网络和判别网络都采用一维卷积神经网络，并以一维噪声向量和类别向量为生成器输入信号。分别采用手写体数字图像数据集以及睡眠脑电数据集评估该模型性能，并与改进前的模型以及其他损失函数的模型进行了对比实验，结果表明改进模型的数据增强效果以及睡眠分期效果，从可视化评估到定量评估均优于其他模型。本研究为深度学习引入睡眠脑电分析中提供了一种行之有效的方法。

文章关键词:数据增强,生成对抗网络,Huber损失函数,睡眠脑电,

项目基金:国家自然科学基金项目（61871040,61731003）,国家重点研发计划（2018YFB1005100）,