一个双层的全自动失眠识别模型,采用合成数据生成,使用MCSA和CTGAN与单通道EEG信号
Steffi Philip Mulamoottil1, T Vigneswaran2
1School of Electronics Engineering, Vellore Institute of Technology, Chennai, 600127, India.
Scientific reports
|October 8, 2024
概括
这项研究引入了一种新的双层数据增强模型,用于使用电脑电图 (EEG) 信号检测失眠. 拟议的方法提高了分类准确性,随机森林达到94%,使其成为小型数据集的理想选择.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 多睡眠学 (PSG) 用于诊断失眠,但模型经常与不平衡的睡眠阶段数据作斗争.
- 之前的失眠检测模型面临着不平衡的数据集和短时间间隔的挑战.
研究的目的:
- 开发一种强大的失眠检测方法,使用独立于睡眠阶段评分的双层增强模型.
- 提高失眠检测的准确性和效率,特别是对于小型数据集.
主要方法:
- 提出了一种双层增强模型,将原始EEG的修改常规信号增强 (MCSA) 和提取特征的条件表式生成对抗网络 (CTGAN) 结合起来.
- 利用离散波量变换来分析信号频段,识别阿尔法频段的意义.
- 采用了各种分类器,包括决策树,随机森林和梯度提升用于性能评估.
主要成果:
- 使用随机森林 (RF) 实现了94%的最高分类准确度.
- 获得了0.97的高曲线下面积 (AUC) 值,优于现有方法.
- 证明将两个增强层合并并分析阿尔法频段可以提高检测性能.
结论:
- 拟议的双层增强模型有效地解决了失眠检测中的数据不平衡问题.
- 该方法适用于使用单通道EEG实时检测,提供更好的移动性和舒适性.
- 这种方法为失眠检测提供了可靠和准确的解决方案,特别有利于小型数据集.
