基于能量特征和最小二乘支持向量机的自动睡眠分期方法

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提。为实现有效睡眠自动分期,本文提出将能量特征和最小二乘支持向量机(LS-SVM)相结合的方法。先利用FIR带通滤波器提取Pz-Oz导睡眠脑电信号的特征波,获得能量特征,并与小波包变换方法相比较;然后用LS-SVM分类器进行模式识别,最终实现睡眠自动分期。实验表明,本文所提出的基于能量特征和LS-SVM的自动睡眠分期方法简单、有效,平均正确率达88.89%,具有很好的应用前景。     

基于平均能量耗散的睡眠分期研究

目的 睡眠质量影响身体健康与工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径.方法 通过提取相同个体相同时刻的清醒期和非快速眼动睡眠Ⅰ期的EEG信号,分别符号化后计算平均能量耗散,对两个睡眠阶段的相对熵进行统计分析及多样本验证.结果 研究结果表明,平均能量耗散很好地反映了睡眠状态的变化,在清醒期较大,在非快速眼动睡眠Ⅰ期较小,并通过差异显著性检验和多样本验证.结论 平均能量耗散可以作为睡眠自动化分期参数补充到睡眠分期研究中来,在临床上可通过多参数分析,提高睡眠分期的准确性.     

基于脑电信号的自动睡眠分期研究进展

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义。近年来,基于计算机技术的睡眠脑电信号自动分期成为研究热点,并取得了一些成果。本文介绍了睡眠分期与脑电信号的基础知识,详细论述了基于脑电信号的自动睡眠分期研究中的两个关键技术——特征提取和模式识别,比较了小波变换、Hilbert-Huang变换两种常用的脑电特征提取方法,和人工神经网络、支持向量机两类模式识别方法的优缺点及其在睡眠分期中的应用,总结了近几年该领域的研究现状和发展趋势。     

基于多特征融合的睡眠分期

目的 为了有效实现睡眠自动分期,对睡眠障碍等相关疾病的诊断提供更多依据,本文提出了一种基于多特征融合的睡眠分期方法.方法 数据来自ISRUC-Sleep数据库,首先对10名健康受试者和10名睡眠障碍患者的脑电(electroencephalogram,EEG)信号计算3种特征——样本熵、小波包能量和去趋势波动.然后采用支持向量机(support vector machine,SVM)构建睡眠分期模型,并验证该模型的准确性.此外,为了进行比较加入心电(electrocardiogram,ECG)和肌电(electromyogram,EMG)通道.结果 健康受试者和睡眠障碍患者睡眠分期的准确率分别达到87.4％和86.3％.结论 基于多特征融合的睡眠分期方法能够有效地提高睡眠分期的准确率.     

睡眠分期的符号转移熵分析

目的睡眠分期是衡量睡眠质量和诊治睡眠障碍性疾病的重要途径,转移熵是一个量化2个序列相关程度的参数。本文将基于符号化技术的符号转移熵首次应用在睡眠分期研究中,克服了以往方法对参数之间协调性要求高以及对噪声敏感的缺点。方法通过提取相同个体相同时刻的清醒期和非快速眼动睡眠I期的EEG、ECG信号,分别进行符号化、相空间重构后,计算符号转移熵,对两个睡眠阶段的符号转移熵进行t检验及多样本验证。结果实验结果表明清醒期符号转移熵大于非快速眼动睡眠I期的符号转移熵。经t检验表明这两个阶段的符号转移熵值有显著性差异,并通过多样本验证。随着睡眠加深,身体单元不断偶合,符号转移熵减小,与理论分析相符合。结论清醒期和非快速眼动睡眠I期的符号转移熵很好地体现了睡眠状态的变化,因此符号转移熵可用于睡眠分期,并成为研究睡眠自动化分期的极具潜力的分析工具。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

基于心率变异性的自动睡眠分期及其脑电图验证

睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间期中提取时域、频率和非线性特征,组合出最高达426个心率变异性(HRV)特征,基于Xgboost算法构建模型对睡眠中的清醒期(wake)、非快速眼动|期(N1)、非快速眼动Ⅱ期(N2)、非快速眼动Ⅲ期(N3)和快速眼动期(REM)进行五分类(wake、N1、N2、N3、REM)、三分类(wake+N1、REM、N2+N3)和二分类(wake、N1+N2+N3+REM)预测,并与脑电图睡眠分期标签进行验证。最后,五分类、三分类和二分类测试结果准确率分别达到84.0%、89.1%和95.2%,F1-score达到83.2%、88.9%和94.9%,为同类模型研究中表现最佳。说明HRV与睡眠阶段具有良好的相关性,基于便携式设备收集数据构建的算法模型可以较好地识别睡眠状态。     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

基于迁移学习的随机深度残差网络自动睡眠分期算法

现有自动睡眠分期算法存在模型参数量多、训练耗时长导致分期效率不佳的问题。本文使用单通道脑电信号,提出一种基于迁移学习（TL）的随机深度（SD）残差网络（ResNet）自动睡眠分期算法（TLSDResNet）。首先,选取16人共30条单通道（Fpz-Cz）脑电信号,在保留有效睡眠片段后,利用巴特沃斯滤波和连续小波变换对原始脑电信号进行预处理,得到包含其时-频联合特征的二维图像作为分期模型的输入数据。随后,构建经公开数据集——欧洲数据格式存储的睡眠数据库拓展版（Sleep-EDFx）训练的ResNet50预训练模型,使用随机深度策略并修改输出层以优化模型结构。最后,应用迁移学习对人体整夜睡眠过程进行自动分期。本文算法在进行了多次实验后,模型分期准确率达到87.95%。实验表明,TL-SDResNet50可完成少量脑电数据的快速训练,总体效果优于近年来其他分期算法与经典算法,具有一定的实用价值。     

应用近似熵对睡眠脑电进行分期的研究

主要介绍了一种新的度量序列复杂性的统计方法－近似熵（ＡｐＥｎ）并将其于睡眠脑电的研究，提取出各睡眠期的近似熵特征，实验结果显示，从清醒期到ＮＲＥＭ期的Ⅲ，Ⅳ期，近似熵由最大依次减小，到ＲＥＭ期又回以接近，Ｉ，Ⅱ期，根据这一特征对睡眠脑电进行分期实验，得到良好的效果，说明近似熵是一种值得重视的，很有前景的复杂度度量方法。     

基于改进的K均值聚类算法的睡眠自动分期研究

睡眠分期是医学、神经信息领域的研究热点。人工标记睡眠数据是一项费时且费力的工作。自动睡眠分期方法能够减少人工分期的工作负荷,但在复杂多变的临床数据的应用上仍存在局限性。本文提出了一种改进的K均值聚类算法,主要目的是从实际睡眠数据的特点出发,研究睡眠自动分期方法。针对原始K均值聚类算法对初始聚类中心和离群点敏感的问题,本文结合密度的思想,选择周围数据密集的点作为初始中心,并根据"3σ法则"更新中心。改进算法在健康被试和接受持续正压通气(CPAP)治疗的睡眠障碍者的睡眠数据上进行了测试,平均分类精确度达到76%,同时结合实际睡眠数据的形态多样性验证讨论了该方法在临床数据上的可行性和有效性。     

基于小波能量熵特征的阻抗胃动力信号识别

采用生物电阻抗技术从人体上腹部体表提取的电阻抗信号,不但包含了常规的胃蠕动频率特征,而且携带有反映胃动力状况的更深层次的信息.提取并分析这些信息,对胃动力的检测与评价具有重要意义.对20名糜烂性胃炎患者的胃阻抗和胃电信号进行研究,经过小波滤波去噪后,进行多层小波包变换,计算小波能量熵并作为特征向量,采用3层BP神经网络进行模式分类.经一周治疗后,14名患者胃阻抗和胃电信号的小波能量熵值下降,以小波能量熵为特征向量的BP神经网络对治疗前后的识别正确率为80%.结果表明,小波能量熵能够从整体上表征胃动力信号时域和频域能量分布的复杂程度,可为胃肠病患者的疗效评价提供有效的特征描述.     

考虑个体特征的非脑电睡眠分期

利用非脑电信号进行睡眠分期是睡眠医学的重要课题。提出一种自动分期算法,利用心率、呼吸率、血氧饱和度和体动信息。首先对前2种信号进行模式描述,形成描述单元;描述单元在规则库的指导下吸纳其他通道的特征,最终形成对应某个分期的完整描述;再用不确定推理的方法完成分期。实验表明,病人的分期符合率和健康人保持在同一个水平。整个算法模拟了人的思维过程,可扩充性强,具有良好的临床应用前景。     

基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

基于HHT边际谱熵和能量谱熵的心率变异信号的分析方法

基于希尔伯特-黄变换(HHT)理论,依据广义信息熵的概念,提出基于HHT边际谱熵和能量谱熵的概念和熵分析方法。对常规信号和混沌时间序列信号进行复杂性研究,结果表明本方法在刻画信号复杂度变化、抗脉冲干扰方面优于Lempel-Ziv复杂度和功率谱熵方法。将其应用于MIT-BIH标准数据库的实际心率变异(HRV)信号分析,结果显示HHT边际谱熵和能量谱熵能从HRV信号中敏感地检测出生理和病理状态的变化,统计学分析优于传统的功率谱熵方法,为临床HRV信号及其他复杂生理信号的分析提供一种有效的分析方法。     

基于支持向量机及特征选择的单通道脑电波睡眠分期研究

睡眠脑电是研究睡眠障碍及相关疾病的重要客观指标。人工解析脑电方法耗时且易受主观因素影响,而已有的自动睡眠分期算法则较为复杂且正确率较低。本文提出基于支持向量机(SVM)及特征选择的单通道脑电睡眠分期方法。从单通道脑电波信号中提取了38个特征值。在此基础上,通过将特征选择方法 F-Score拓展到多分类,增加淘汰因子,为SVM分类器选择合适的输入特征向量组。文章采用标准的开源数据,对比实验了无特征选择、标准的F-Score特征选择以及带有淘汰制的F-Score特征选择三种方法。实验结果表明,本文提出的方法能够有效提高分期正确率,减少计算时间。     

基于心率变异分析的睡眠分期方法

利用隐马尔可夫模型（HMM）对心率变异性（HRV）进行分析，识别HRV在不同睡眠分期的模式变化，从而推算出相应的睡眠分期。在信号处理的过程中采取了一定的措施降低个体差异对分析的影响；在特征提取中还考虑了HRV中超低频分量和睡眠的关系。由于心率信号的提取对睡眠几乎没有任何干扰，因此，本文提出的睡眠分期方法可以较好地反映受试者在自然条件下真实的睡眠状况，实验证明，该方法简单可行，其睡眠分期的结果和人工分期相比的符合率可以满足很多睡眠监测场合的需要，尤其适用于健康人常年的睡眠监测。     

基于脑电信号的睡眠分期算法研究

睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用。以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号。然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4〖DK〗∶1的比例建立校正集样本和预测集样本,并结合最小二乘支持向量机分类器进行样本训练拟合与分类识别。结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30～500,平均的睡眠分期正确率可达92.87%,比基于复杂度、近似熵等算法的分类正确率提高约5%。     

心率变化特征与睡眠分期耦合关系研究

心率是非脑电方法判断睡眠分期的一个重要指标，提出了一种把睡眠分期进行定量化、模糊化描述的新思路，并详细给出了判断心率与睡眠分期耦合关系的新方法，这种方法具有简便、快速的特点。实验结果表明：健康人和SAHS病人的心率变化特征与睡眠时相均具有较好的相关性，其中健康人的相关性更高。     

基于心率变异性分析的睡眠分期方法研究

为实现对不同阶段睡眠的快速、便捷分期,本文实验分析了心率变异性(HRV)与睡眠分期的相关性,利用支持向量机(SVM)实现了基于HRV信息的睡眠自动分期的算法。对天津市胸科医院的33例临床心电数据进行了R-R提取和主成分分析(PCA),并利用SVM对睡眠中的不同阶段进行建模和预测,将分期的预测结果与基于脑电金标准的睡眠分期标注结果比对,对于三期睡眠的预测准确度超过80%,说明HRV与睡眠各期具有良好的相关性。该方法是对传统睡眠分期方法的一种补充,具有实际使用价值。