學(xué)習(xí)機(jī)和睡眠腦:使用決策樹多類支持向量機(jī)的自動(dòng)睡眠階段分類
Learning machines and sleeping brains: Automatic sleep stage
classification using decision-tree multi-class support vector machines
數(shù)據(jù)集：
多導(dǎo)睡眠圖數(shù)據(jù)庫
所有信號(hào)都以1000赫茲的采樣頻率記錄下來。專家使用R&K指南，在連續(xù)30秒的窗口內(nèi)對(duì)15次PSG睡眠記錄進(jìn)行視覺評(píng)分。
1.預(yù)處理
腦電圖信號(hào)通常受到許多假象(肌肉假象、心電圖、眼球運(yùn)動(dòng)和眨眼)的干擾。
用截止頻率為0.2和40 Hz的帶通濾波器過濾腦電圖信號(hào)。然后根據(jù)睡眠評(píng)分標(biāo)準(zhǔn)中使用的分段，將所有多導(dǎo)睡眠圖信號(hào)分段為30年代。具有任何剩余顯著偽影的數(shù)據(jù)段被排除在后續(xù)分析之外。
2.特征提取
使用的特征可以大致分為線性(包括時(shí)域和頻域特征)和非線性測量。時(shí)域和非線性特征直接從信號(hào)的時(shí)間序列中計(jì)算，而這里使用的頻域特征是從信號(hào)的功率譜密度估計(jì)中提取的。總共為每個(gè)類(即睡眠階段)提取了102個(gè)特征，產(chǎn)生一個(gè)N × 102矩陣。
1.線性特征：線性預(yù)測誤差能量；
2.時(shí)域特征：3.我們使用的頻域特征包括總的和相對(duì)的頻譜功率、功率比和頻譜熵。
我們計(jì)算了所有個(gè)體中每個(gè)時(shí)期的以下頻域特征:(a)總功率，(b)五個(gè)頻帶中每個(gè)頻帶的相對(duì)功率(Prel)(將每個(gè)頻帶中的絕對(duì)功率除以整個(gè)部分中所有頻率的功率之和)，?五個(gè)頻帶中所有16種組合的功率比(例如，δ/α、δ/β、δ/σ、α/β、α/θ等)。)
最后是?譜熵(Sen)，一種信號(hào)規(guī)律性的度量，由Pardey等人(1996)于1996年提出，可由相對(duì)功率Prelas計(jì)算如下:Sen =(1/log N)？N f = 1 Prel(f)÷log Prel(f)，其中N是頻率倉的總數(shù)，f是每個(gè)頻率倉的值。純正弦波的譜熵為零，不相關(guān)白噪聲的譜熵為1。
4.非線性特征
排列熵
Teager energy operator. (TEO)
3.特征預(yù)處理和降維：從102個(gè)降到32個(gè)
1.搜索異常值(值比同一類別中同一特征的所有值的標(biāo)準(zhǔn)差高兩倍的特征)。
2.為了減少特征空間的維數(shù)，我們排除了在用標(biāo)準(zhǔn)t檢驗(yàn)進(jìn)行統(tǒng)計(jì)檢驗(yàn)時(shí)，在類之間看起來是最少判別式的特征:我們運(yùn)行t檢驗(yàn)統(tǒng)計(jì)檢驗(yàn)來比較5個(gè)階段(清醒、S1、S2、SWS和快速眼動(dòng))中所有對(duì)的每個(gè)特征的平均值
結(jié)果：
4.多級(jí)SVM分類
1.樹形圖多級(jí)SVM
2.SVM參數(shù)優(yōu)化
3.特征子集選擇
4.分類
5.結(jié)果分析

總結(jié)

以上是生活随笔為你收集整理的基于EEG的睡眠分期算法记录3-使用决策树多类支持向量机的自动睡眠阶段分类的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。