使用机器学习引入子频段增强以开发使用单通道EEG信号的失眠分类模型
Steffi Philip Mulamoottil1, T Vigneswaran2
1SENSE, Vellore Institute of Technology - Chennai Campus, Vandalur - Kelambakkam Road, Chennai, Chennai, Tamilnadu, 600127, INDIA.
Physiological measurement
|August 20, 2025
概括
这项研究引入了脑电图 (EEG) 数据的子频段增强,以改善失眠的检测. 这种新方法增强了机器学习模型,即使数据有限,也能很准确地识别睡眠障碍.
科学领域:
- 神经科学
- 机器学习
- 生物医学信号处理
背景情况:
- 生物信号对于记录睡眠活动和识别失眠等睡眠障碍至关重要.
- 使用生物信号分析的监督学习模型有望检测失眠.
- 由于睡眠阶段的细分, 基线模型往往会出现类不平衡问题.
研究的目的:
- 开发一种使用脑电图 (EEG) 数据检测失眠的改进方法.
- 解决睡眠障碍的生物信号分析中的类不平衡.
- 通过数据增强技术增强机器学习模型培训.
主要方法:
- 实施子频段增强以产生分解的EEG频率的异质性.
- 引入了信号缩放,噪声添加和滑窗技术用于EEG增强.
- 使用集成决策树 (EBDT) 分类器来识别失眠.
主要成果:
- 小频段增强实现了0.91,0.90和0.866的分类精度.
- 包含所有子频段增强的EBDT分类器达到0.986准确度,1.0灵敏度和0.97特异性.
- 来自较小的EEG段的分析特征产生了0.97准确度,0.95灵敏度和1.0特异性.
结论:
- 拟议的子频段增强模型有效地增强了失眠检测的EEG数据.
- 该模型很简单,不需要睡眠阶段的注释,并且在小数据集中表现出色.
- 这种方法通过对分类任务的培训数据增强提供了强有力的疾病检测解决方案.
