使用模糊系统进行睡眠质量分析的进化模型

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 信号反映了决定睡眠阶段的关键大脑活动.
• 手动的睡眠阶段分类是耗时且主观的.
• 使用机器学习的自动化方法提供客观和高效的替代方案.

研究的目的:

• 开发和评估使用EEG信号进行睡眠阶段分类的自动化方法.
• 为了比较模糊的min-max神经网络与各种机器学习和深度学习模型的性能.
• 评估提取的EEG信号模式在睡眠阶段识别中的有效性.

主要方法:

• 实现一个模糊的min-max神经网络用于睡眠阶段分类和集群.
• 与已建立的算法进行比较:KNN,随机森林,决策树,XGBoost,AdaBoost,LDA,QDA和CNN.
• 从EEG信号中提取特征和分析模式,用于模型训练.

主要成果:

• 模糊的min-max分类器实现了最高准确率的86%.
• 卷积神经网络 (CNN) 紧随其后,准确率为81%.
• 其他机器学习模型的准确度明显较低,Random Forest的准确率为55.46%.

结论:

• 模糊的min-max神经网络在自动睡眠阶段分类方面表现出卓越的性能.
• 这项研究强调了模糊逻辑和深度学习 (CNN) 在推进睡眠分析方面的潜力.
• 准确的自动化睡眠阶段分析是可行的,并有利于研究和临床应用.