學習機和睡眠腦:使用決策樹多類支持向量機的自動睡眠階段分類
Learning machines and sleeping brains: Automatic sleep stage
classification using decision-tree multi-class support vector machines
數據集：
多導睡眠圖數據庫
所有信號都以1000赫茲的采樣頻率記錄下來。專家使用R&K指南，在連續30秒的窗口內對15次PSG睡眠記錄進行視覺評分。
1.預處理
腦電圖信號通常受到許多假象(肌肉假象、心電圖、眼球運動和眨眼)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。然后根據睡眠評分標準中使用的分段，將所有多導睡眠圖信號分段為30年代。具有任何剩余顯著偽影的數據段被排除在后續分析之外。
2.特征提取
使用的特征可以大致分為線性(包括時域和頻域特征)和非線性測量。時域和非線性特征直接從信號的時間序列中計算，而這里使用的頻域特征是從信號的功率譜密度估計中提取的。總共為每個類(即睡眠階段)提取了102個特征，產生一個N × 102矩陣。
1.線性特征：線性預測誤差能量；
2.時域特征：3.我們使用的頻域特征包括總的和相對的頻譜功率、功率比和頻譜熵。
我們計算了所有個體中每個時期的以下頻域特征:(a)總功率，(b)五個頻帶中每個頻帶的相對功率(Prel)(將每個頻帶中的絕對功率除以整個部分中所有頻率的功率之和)，?五個頻帶中所有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)，一種信號規律性的度量，由Pardey等人(1996)于1996年提出，可由相對功率Prelas計算如下:Sen =(1/log N)？N f = 1 Prel(f)÷log Prel(f)，其中N是頻率倉的總數，f是每個頻率倉的值。純正弦波的譜熵為零，不相關白噪聲的譜熵為1。
4.非線性特征
排列熵
Teager energy operator. (TEO)
3.特征預處理和降維：從102個降到32個
1.搜索異常值(值比同一類別中同一特征的所有值的標準差高兩倍的特征)。
2.為了減少特征空間的維數，我們排除了在用標準t檢驗進行統計檢驗時，在類之間看起來是最少判別式的特征:我們運行t檢驗統計檢驗來比較5個階段(清醒、S1、S2、SWS和快速眼動)中所有對的每個特征的平均值
結果：
4.多級SVM分類
1.樹形圖多級SVM
2.SVM參數優化
3.特征子集選擇
4.分類
5.結果分析

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。