额头和耳内EEG获取和处理:生物标志物分析和记忆效率高的深度学习算法用于睡眠分期,优化特征维度

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.
• 信号处理 信号处理

背景情况:

• 可穿戴式脑电图 (EEG) 系统在临床环境之外提供非侵入性,持续的睡眠监测.
• 在EEG技术和特征提取方面的进步使便携式睡眠分析成为可能.
• 当前的方法往往需要复杂的设置,限制了家庭应用程序.

研究的目的:

• 开发和评估基于EEG的睡眠分期采集系统,可适应可穿戴应用.
• 识别和验证一个强大的特征集用于从单个EEG导出睡眠阶段分类.
• 评估深度学习模型的可行性,以在不引人注目的监控系统中准确地分阶段睡眠.

主要方法:

• 使用一个定制的实验设置与ADS1299EEG-FE-PDK评估板用于EEG信号采集.
• 提取的时间,频率和非线性域特征,使用mRMR和PCA减少.
• 在BOAS数据集上训练了一种两步深度学习模型 (LSTM和密集层),以注意力和增强为5类睡眠阶段分类.

主要成果:

• 实现了93.5%和94.7%的高整体准确度,并减少了特征集 (94%和98%的累积解释差异).
• 使用完整的功能集,实现了97.9%的准确性.
• 使用单个正面EEG导出 (F4-F3) 证明可靠的睡眠阶段分类.

结论:

• 单个脑电图前部导出足以进行可靠的睡眠阶段分类.
• 开发的系统可用于不引人注目的家庭睡眠监测.
• 可穿戴的EEG系统可以显著提升睡眠障碍的诊断和管理.