采用深度學習技術實現睡眠自動分期計算復雜度較高，且需大量數據支撐。本文提出一種基于功率譜密度和隨機森林的自動睡眠分期方法，先提取腦電信號6種特征波（K復合波、δ波、θ波、α波、紡錘波、β波）的功率譜密度作為特征，然后利用隨機森林分類器實現5種睡眠狀態（W、N1、N2、N3、REM）自動分類。采用Sleep-EDF數據庫中健康受試者整晚睡眠腦電數據作為實驗數據，對比了使用不同輸入通道腦電信號（Fpz-Cz單通道、Pz-Oz單通道、Fpz-Cz + Pz-Oz雙通道）、不同分類器（隨機森林、自適應增強、梯度提升、高斯樸素貝葉斯、決策樹、K近鄰）、不同訓練集與測試集劃分方法（2折、5折、10折交叉驗證及單個受試者）對分類效果的影響。實驗結果表明，當采用Pz-Oz單通道腦電信號和隨機森林分類器時效果最好，無論怎樣變換訓練集與測試集，分類準確率都達到90.79%以上，總體分類準確率、宏觀平均F1值、Kappa系數最高分別可達到91.94%、73.2%、0.845，證明該方法是有效的，且不易受數據量影響，具有較好的穩定性。與已有研究相比，該方法分類準確率更高、實現更簡單，適用于自動化。
睡眠分期是研究睡眠及相關疾病的基礎, 是完成睡眠質量評估的前提。為實現有效睡眠自動分期, 本文提出將能量特征和最小二乘支持向量機(LS-SVM)相結合的方法。先利用FIR帶通濾波器提取Pz-Oz導睡眠腦電信號的特征波, 獲得能量特征, 并與小波包變換方法相比較; 然后用LS-SVM分類器進行模式識別, 最終實現睡眠自動分期。實驗表明, 本文所提出的基于能量特征和LS-SVM的自動睡眠分期方法簡單、有效, 平均正確率達88.89%, 具有很好的應用前景。
睡眠分期是研究睡眠及相關疾病的基礎,是完成睡眠質量評估的前提,具有重要臨床意義。近年來,基于計算機技術的睡眠腦電信號自動分期成為研究熱點,并取得了一些成果。本文介紹了睡眠分期與腦電信號的基礎知識,詳細論述了基于腦電信號的自動睡眠分期研究中的兩個關鍵技術——特征提取和模式識別,比較了小波變換、Hilbert-Huang變換兩種常用的腦電特征提取方法,和人工神經網絡、支持向量機兩類模式識別方法的優缺點及其在睡眠分期中的應用,總結了近幾年該領域的研究現狀和發展趨勢。
傳統基于機器學習的睡眠呼吸暫停（SA）檢測方法，需花大量工作在特征工程與分類器設計上。本文提出了一種基于卷積神經網絡（CNN）的 SA 自動檢測方法，構建了一個包含 4 個卷積層、4 個池化層、2 個全連接層和 1 個分類層的一維 CNN 網絡模型，通過網絡自身結構實現特征自動提取與分類。利用呼吸暫停-心電圖（Apnea-ECG）數據庫中 70 例整晚單通道睡眠心電圖（ECG）數據對該方法進行了驗證，通過對比實驗發現當輸入為單通道 ECG 信號、RR 間期（RRI）序列、R 峰值序列、RRI 序列+R 峰值序列四種情況時，網絡在 SA 片段檢測上的準確率為 80.1%～88.0%，表明該 CNN 網絡是有效的，能從原始單通道 ECG 信號或其派生信號 RRI、R 峰值序列中自動提取特征并分類。當網絡輸入為 RRI 序列+R 峰值序列時效果最好，在片段 SA 檢測上的準確率、靈敏度和特異度分別為 88.0%、85.1% 和 89.9%，個體 SA 診斷準確率達 100%。研究結果表明，本文提出的方法能有效提高 SA 檢測的準確性和魯棒性，且性能優于近年主要文獻報道，有望應用于配備遠程服務器的便攜式 SA 篩查診斷設備中。