时间特征提取和机器学习用于分类睡眠阶段使用远程测量多睡眠学.
Utkarsh Lal1, Suhas Mathavu Vasanthsena2, Anitha Hoblidar2
1Department of Computer Science and Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal 576104, Karnataka, India.
Brain sciences
|August 26, 2023
概括
这项研究表明,将多种特征提取方法与XGBoost机器学习模型相结合,可以提供准确的睡眠阶段检测. 这种简单的方法优于复杂的深度学习模型用于睡眠分阶段.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 准确的睡眠阶段检测对于诊断睡眠障碍至关重要.
- 多睡眠学 (PSG) 是黄金标准,捕获多个生理信号.
- 通常使用复杂的神经网络,但寻求更简单的方法.
研究的目的:
- 使用PSG数据评估更简单的机器学习模型用于睡眠分阶段.
- 将各种特征提取技术与机器学习分类器结合起来进行比较.
- 调查数据增强对失衡睡眠数据的有效性.
主要方法:
- 使用功率光谱密度,希古奇碎形维度,SVD,排列和DFA.提取的特征.
- 使用的机器学习模型:XGBoost,额外树木,随机森林和LightGBM.
- 利用合成少数群体过量采样技术 (SMOTE) 进行数据增强.
主要成果:
- 具有所有功能组合的XGBoost分类器实现了最高的性能.
- 准确度在87% (5阶段) 到97% (2阶段) 之间.
- 平均F1分数在不同的睡眠阶段配置中从84.6%到93.5%不等.
结论:
- 功能提取措施与XGBoost的结合为睡眠分阶段提供了一个高效和高性能的替代方案.
- 这种方法超过了许多近期深度神经网络的性能.
- 这些发现表明,对于睡眠障碍的诊断和治疗,更容易获得和更有效的途径.
