基于模型的脑电图即时频率跟踪:在自动化睡眠-清醒阶段分类中的应用.

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
• 信号处理 信号处理

背景情况:

• 准确的睡眠阶段分类对于诊断睡眠障碍和了解睡眠对健康的影响至关重要.
• 分析脑电图 (EEG) 数据,睡眠监测的黄金标准,是耗时和资源密集的.
• 自动化EEG分析为高效的睡眠数据解释提供了具有成本效益的解决方案.

研究的目的:

• 开发一种新的EEG特征提取管道,用于准确的清醒和睡眠阶段分类.
• 在EEG数据中实施一种耐噪声的卡尔曼过方法,用于跟踪时间变化的自回归模型.
• 创建一个两步分类器,详细分类睡眠阶段,区分清醒,REM和各种非REM阶段.

主要方法:

• 使用基于模型的卡尔曼过 (KF) 方法来追踪EEG信号中的时间变化的自回归 (TVAR) 模型.
• 提取了主要的EEG特征,包括瞬间频率和功率.
• 采用了两步分类策略:首先,分类为觉醒,REM和非REM;第二,分类非REM成N1,N2和N3阶段.

主要成果:

• 根据睡眠-EDFx数据集进行评估 (153个记录,78名受试者).
• 通过轻度梯度提升机 (LGBM) 和极度梯度提升 (XGBoost) 分类器实现了超过77%的整体准确性.
• 获得了0.69的宏观平均F1分数和0.68的科恩卡帕,表现出强的表现.

结论:

• 拟议的新型EEG特征提取管道有效地分类了觉醒和睡眠阶段.
• 卡尔曼过和TVAR模型方法为睡眠分析提供了一个紧且可解释的特征集.
• 这种方法为自动化,高效和准确的睡眠分期提供了有希望的解决方案,有助于睡眠障碍的诊断和研究.