基于EEG的新生儿睡眠分层的多域选择性特征融合和堆叠集成框架.

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.
• 医疗信息学 医疗信息学

背景情况:

• 最小的脑电图 (EEG) 通道使用对于新生儿护理中的医疗物联网 (IoMT) 应用至关重要.
• 单通道和基于边缘的功能减少了数据传输和处理,提高了新生儿睡眠分析的成本效益.

研究的目的:

• 评估单个EEG通道用于新生儿睡眠阶段分类的有效性.
• 评估二元分类方案,以区分新生儿的清醒状态,睡眠状态和过渡到安静睡眠状态.

主要方法:

• 从新生儿EEG数据中使用离散和连续波形变换 (DWT,CWT),光谱和时间分析提取了490个特征.
• 采用混合的单变体和集合特征选择方法与多域特征融合.
• 使用ExtraTree,随机森林和人工神经网络 (ANN) 模型开发了一个基于堆叠的集合分类器.

主要成果:

• 实现了高分类准确率:90.37% (睡眠/清醒),91.13% (安静睡眠/非安静睡眠) 和94.88% (安静睡眠/清醒).
• 报告了显著的卡帕值,表明强烈的同意:分别为77.5%,80.29%和89.76%.
• 使用K-fold和leave-one-subject交叉验证验证模型性能.

结论:

• 最少的EEG通道方法对于准确的新生儿睡眠阶段分类是有效的.
• 提出的特征选择和堆叠组合模型证明了基于IoMT的婴儿睡眠监测的卓越性能.
• 这项研究为持续的新生儿睡眠评估提供了实用且具有成本效益的解决方案.