一種新的全自動隨機森林睡眠分期算法
摘要：快速動眼期(REM)睡眠行為障礙被認為是α-突觸核蛋白病的前驅期。其診斷需要仔細檢測快速眼動睡眠，金標準人工睡眠分期不一致且昂貴。這項工作提出了一種新的自動睡眠分期模型，僅使用腦電圖(EEG)和電描記術(EOG)記錄來為這種應用增加強大的自動化。公開可用的ISRUC-Sleep數據庫用于優化所提出模型的設計。該模型在由100名有不同睡眠障礙證據的受試者組成的亞組中進行訓練和測試，多導睡眠圖數據由兩名專家手工評分。我們將EOG和腦電圖記錄劃分為以3s為步長的重疊運動33-s時期，并為每個時期計算了幾個時域和頻域特征。這些特征被用來訓練隨機森林分類器，該分類器能夠用覺醒、快速眼動和非快速眼動的概率來標記每個33秒的時期。計算10個33s期的概率值的平均值，選擇概率最高的睡眠期對30s期進行分類，并與人工分期睡眠圖進行匹配。使用20倍交叉驗證方案測試了模型的性能。當評分者同意的時期被使用時，分類達到了92.6%的總準確率和0.856的科恩kappa。
數據集：葡萄牙科學技術基金會(PFST)的公開數據集被稱為ISRUC-sleep，用于開發算法；
數據：使用了腦電圖和EOG記錄，特別是根據AASM規則的F3-A2、C3-A2、O1-A2、ROC-A1和LOC-A2。
**1.預處理：**四個不同的零相位四階零相位巴特沃斯帶通濾波器：區分不同頻率腦電波；

8個四階零相位巴特沃斯帶通濾波器被應用于兩個EOG通道：

2.特征值提取：快速傅里葉變換
特征值：**
**當睡眠專家手動給一個階段打分時，會考慮相鄰的階段。這在算法中實現，以模擬手動睡眠階段，并增加跨多個時期的一致性。因此，對于每個33秒的時期，來自30秒前的33秒時期的247個特征被添加到從當前時期計算的特征中。這導致每個33秒時期的[494x1]特征向量，包含來自連續66秒的數據。

3.特征值處理：歸一化


4.特征分類：隨機森林
其中200棵樹和√M個特征被隨機采樣并在每次分割時進行替換，其中M對應于特征總數。
5.后處理：
對應于三個睡眠階段的概率在十個相鄰的時期被平均，產生包含這十個時期的平均概率的3×1向量。這在整個催眠圖中進行，得到一個3×N的矩陣，其中N是30秒的階段數。階段被評分為產生1×N催眠圖的概率最高的類別。
6.性能測量
為了評估算法的性能，進行了20倍的交叉驗證。對于每個驗證折疊，在每個睡眠階段計算靈敏度、特異性和準確性。然后計算平均值和標準偏差，以顯示數據集的總體表現和通過率。兩個統計數據，總體準確性和科恩的kappa，被用來衡量評分者之間的一致。
結論：

總結

以上是生活随笔為你收集整理的基于EEG信号的睡眠分期算法记录2-一种新的全自动随机森林睡眠分期算法（英）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。