基于支持向量机和极端梯度增强算法的睡眠阶段化研究
Yiwen Wang1, Shuming Ye2, Zhi Xu3
1Clinical Medical Engineering Department, The Second Affiliated Hospital, Zhejiang University School of Medicine, HangZhou, ZheJiang, People's Republic of China.
Nature and science of sleep
|December 4, 2024
概括
这项研究使用支持矢量机 (SVM) 和XGBoost开发了一种先进的睡眠分阶段算法,实现了医疗级睡眠分析的高精度.
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.
- 医疗保健中的机器学习
背景情况:
- 准确的睡眠分期对于诊断睡眠障碍至关重要.
- 传统的手动评分的多睡眠学 (PSG) 数据是耗时和主观的.
- 开发自动化,准确和可靠的睡眠分阶段算法是重要的研究目标.
研究的目的:
- 开发和评估一种新的睡眠分阶段算法.
- 使用支持矢量机 (SVM) 和极端梯度提升 (XGBoost) 模型进行自动化睡眠分阶段.
- 用数据库和临床数据来评估算法的性能与既定标准对比.
主要方法:
- 基于生理意义和尺寸缩小的特征提取.
- 使用XGBoost和SVM算法进行分类.
- 关于SHHS1数据库和临床多睡眠学 (PSG) 数据的培训和测试,包括EEG,EOG和EMG信号.
主要成果:
- 该算法在SHHS1数据库中实现了83.24%的平均准确率.
- 在数据库测试中,观察到Wake和N2阶段的高精度和回忆率 (超过80%).
- 临床数据测试的平均准确率为76.37%,对于Wake和N3阶段的高精度.
结论:
- 开发的睡眠分阶段算法在数据库和临床数据上都显示了可比的性能.
- 算法的结果符合医疗层面的睡眠分期要求.
- 这种自动化方法为高效准确的睡眠分析提供了一个有前途的工具.
