多模式信号集成用于增强睡眠阶段分类:利用EOG和2通道EEG数据与高级特征提取
Mahdi Samaee1, Mehran Yazdi1, Daniel Massicotte2
1Signal and Image Processing Laboratory, School of Electrical and Computer Engineering, Shiraz University, Shiraz, Iran.
Artificial intelligence in medicine
|May 7, 2025
概括
这项研究提出了一种使用电眼学 (EOG) 和电脑学 (EEG) 信号的新睡眠阶段分类方法. XGBoost 分类器实现了高准确度,在识别睡眠阶段方面表现优于其他模型.
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:
- 准确的睡眠阶段分类对于诊断睡眠障碍至关重要.
- 传统的方法经常与复杂的,多模式的生理数据作斗争.
- 整合多种信号处理技术可以提高分类的稳定性.
研究的目的:
- 开发和评估一个先进的睡眠阶段分类系统.
- 为了比较各种特征提取方法和分类器的有效性.
- 为了利用多模式的EOG和EEG数据进行增强的睡眠分析.
主要方法:
- 使用多式联通信号集成框架与EOG和双通道EEG数据.
- 通过短时间里埃变换 (STFT),波形变换,原始信号和神经网络探索特征提取.
- 采用长期短期存储器 (LSTM) 网络和XGBoost进行分类,并使用主要组件分析 (PCA) 来降低维度.
主要成果:
- XGBoost分类器表现出卓越的性能,在睡眠-EDF上获得了84.57%的准确度和78.21%的宏F1,在ISRUC-Sleep上获得了86.02%的准确度和81.96%的宏F1.
- XGBoost在分类清醒和N2睡眠阶段方面表现出特别的熟练.
- 通过PCA增强的组合特征集,显著促进了高分类结果.
结论:
- 传统和基于神经网络的特征提取的整合为睡眠阶段分类提供了强大的方法.
- 建议使用XGBoost的多模式框架为睡眠分析提供了一种高度准确和可靠的方法.
- 这种方法在改善睡眠障碍的诊断和管理方面具有显著的潜力.
