SLA-MLP:使用多层感知子网络从EEG信号增强睡眠阶段分析
Farah Mohammad1, Khulood Mohammed Al Mansoor2
1Department of Computer Science and Technology, Arab East Colleges, Riyadh 11583, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
使用多层感知器 (SLA-MLP) 的睡眠阶段分析模型使用EEG数据准确地分类睡眠阶段. 这种深度学习方法为睡眠障碍的诊断和研究提供了更高的准确性.
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
- 人工智能的人工智能
背景情况:
- 睡眠阶段分析对于诊断睡眠障碍和评估睡眠质量至关重要.
- 传统的睡眠分类方法在准确性,可扩展性和客观性方面存在局限性.
- 现有的深度学习模型在过度适配,计算需求和不平衡的数据集方面扎.
研究的目的:
- 引入多层感知器 (SLA-MLP) 模型的睡眠阶段分析,以加强睡眠阶段的分类.
- 克服睡眠分析中传统和现有的深度学习方法的局限性.
主要方法:
- 利用先进的深度学习技术,包括用于特征提取的时间卷积网络 (TCN) 和用于分类的多层感知器 (MLP).
- 实施了强大的预处理步骤:信号裁剪,光谱图转换和规范化.
- 采用了调整类权重的数据平衡技术来管理不平衡的数据集.
主要成果:
- 该SLA-MLP模型实现了高准确率:S-DSI上的97.23%,S-DSII上的96.23%,S-DSIII数据集上的97.23%.
- 与传统的睡眠分类方法相比,表现优越.
- 有效地应对过度装配和数据不平衡等挑战.
结论:
- SLA-MLP在睡眠阶段分析方面取得了重大进展,为临床应用和睡眠研究提供了更精确的工具.
- 该模型的综合方法包括先进的特征提取,强大的预处理和自适应数据平衡,确保可靠的睡眠阶段分类.
- 获得了高准确度,表明其有潜力改善睡眠障碍的诊断和管理.
