从单通道EEG信号的基于STFT的瞬间特征检测睡眠唤醒
Md Hussain Ali1, Md Bashir Uddin2
1Biomedical Engineering, Khulna University of Engineering and Technology, Khulna, khulna, 9203, BANGLADESH.
Physiological measurement
|September 25, 2024
概括
这项研究引入了一种可解释的深度学习模型,用于使用脑电图 (EEG) 信号的统计特征来检测睡眠唤醒. 该模型实现了高精度,改善了睡眠障碍诊断.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 睡眠唤醒,以部分或完全的清醒为特征,可以信号潜在的呼吸或神经系统疾病.
- 目前用于唤醒检测的深度学习方法往往缺乏可解释性,阻碍对信号特征的理解.
- 需要改进的睡眠唤醒检测模型,提供高性能和可解释性.
研究的目的:
- 开发一种可解释的睡眠唤醒检测模型,使用从电脑电图 (EEG) 信号中获得的可理解特征.
- 与现有的深度学习方法相比,提高分类性能.
- 创建一个适合集成到自动睡眠呼吸暂停检测系统的模型.
主要方法:
- 使用短时间里埃转换 (STFT) 对EEG信号的时间频率分析.
- 从STFT系数中提取和统计分析即时特征,包括频率,带宽和功率频谱.
- 增加和减少特征集的开发,使用三层神经网络分类器进行评估.
主要成果:
- 一个减少的特征集 (Set 6) 显示出优越的分类性能.
- 实现了高度指标:89.14%的准确度,83.52%的灵敏度,89.49%的特异性和93.84%的AUC.
- 该模型有效地区分睡眠唤醒和正常睡眠段.
结论:
- 拟议的模型提供了一种有效和可解释的方法来检测睡眠唤醒.
- 这种模型可以增强自动睡眠呼吸暂停检测系统,特别是用于低呼吸暂停估计.
- 使用可理解的统计特征可以提高模型的解释性和分类效率.
