论文部分内容阅读
睡眠对于人的身心健康和日常工作具有重要生理意义。睡眠分期是了解睡眠状况和检测睡眠相关疾病的重要标准。传统睡眠分期是一项困难且耗时的分类过程。目前,研究者主要利用计算机对睡眠阶段进行自动和高准确度的分类。本文研究主要由四个部分组成:睡眠脑电信号的预处理、睡眠脑电信号的特征提取、睡眠脑电信号的特征筛选、睡眠脑电信号的分类。首先本文利用启发式阈值小波降噪函数对睡眠脑电进行降噪,从而完成了信号的预处理。降噪函数的信噪比为14db,证明该算法有效地降低了脑电信号噪音,同时使用小波降噪可以很好地保护有用的信号尖峰和突变信号。接着从时域分析、时频域分析和非线性分析三个方面提取了15个特征算法,得出30个特征参数。它们分别为Hjorth参数,δ/α比的能量,LZ复杂度,分形维数,最大Lyapunov指数,Hurst指数,峰度,偏度,Tsallis熵,排列熵,模糊熵,样本熵,α、β、θ和δ的标准差、最大值和小波能量。同时研究了特征算法内部参数。同时利用Fisher Score(FS)、序列浮动前向选择(Sequential Floating Forward Selection,SFFS)、Fast Correlation-Basd Filter Solution(FCBF)进行了特征筛选,并提出了基于Stacking模型的二层学习算法进行睡眠六期分类。第一层使用了五个分类器:K近邻法(K-Nearest Neighbor,KNN)、随机森林(Random Forest,RF)、极端随机树(Extremely Randomized Trees,ERT)、多层感知器(MultilayerPerceptron,MLP)和Extreme Gradient Boosting(XGBoost);第二层采用通用的线性分类器。并比较研究了随机森林、梯度提升树(Gradient Boosting Decision Tree,GBDT)和XGBoost。最后采用Sleep EDF数据库中的睡眠脑电信号,对算法进行了实验,结果表明Stacking中使用FS特征筛选算法可以达到最大分类准确度(0.9667),算法的kapper系数为0.96。该算法可以高效和准确地进行睡眠分期,具有很好的应用前景。