排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
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。 相似文献
1