单通道耳部EEG信号的自动睡眠分期,采用概率学集体学习方法
IEEE journal of biomedical and health informatics
|August 19, 2025
概括
这项研究引入了一种新的耳朵电脑电图 (耳朵EEG) 方法,用于自动测定睡眠阶段. 该方法使用集体学习来准确分析睡眠模式,增强可穿戴睡眠监测技术.
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:
- 准确的睡眠分期对于诊断神经退行性疾病和管理睡眠障碍至关重要.
- 现有的方法往往缺乏用户友好性,侵入性或长期监控能力.
- 耳朵电脑电图 (耳朵EEG) 为睡眠监测提供了一个有希望的非侵入性的替代方案.
研究的目的:
- 开发和验证使用单通道耳部EEG数据进行自动睡眠分阶段的概率集学习方法.
- 评估将极端梯度提升 (XGBoost) 与线性差异分析 (LDA) 集成的有效性,包括过渡矩阵校正和概率加权.
- 评估拟议方法在定制和公共数据集上的表现,将其与已建立的基准进行比较.
主要方法:
- 开发了一个概率集学习框架,结合了XGBoost和LDA.
- 使用过渡矩阵校正和概率加权策略来捕捉时间睡眠模式.
- 该方法使用定制耳部EEG与多睡眠学 (耳部PSG) 数据集和两个公共数据集 (耳部特征,睡眠EDF) 进行了验证.
- 交叉验证 (LOSO) 被用于绩效评估.
主要成果:
- 组合学习方法使用单通道耳部EEG显示了有效的睡眠分阶段.
- 过渡矩阵校正证明对单个时代输入有利,而模型加权则提高了时代增加的稳定性.
- 使用七个时代序列,LOSO交叉验证在耳朵PSG数据集上实现了0.814准确度和0.749卡帕,在耳朵特征数据集上实现了0.841准确度和0.779卡帕.
- 单通道横耳内耳耳内耳EEG配置平衡了便携性和分类性能.
结论:
- 拟议的概率组合学习方法提供了一种可靠和有效的解决方案,用于通过耳部EEG进行自动睡眠分阶段.
- 这种方法为开发便携式和用户友好的睡眠监测设备提供了基础.
- 这些发现突显了耳部EEG技术在睡眠障碍管理和神经退行性疾病诊断中的临床应用潜力.
