基于PCA和SVM的个性化睡眠分期研究.docVIP

  基于 PCA 和 SVM 的个性化睡眠分期研究 周鹏，李向新，张翼，薛然婷* （天津大学精密仪器与光电子工程学院，天津 300072） 5 10 15 20 25 30 35 40 摘要： 随着现代社会生活节奏的加快和工作压力增加，越来越多的人面临失眠的困扰，睡 眠问题逐渐成为人们关注的热点问题。本文研究了睡眠脑电的时域、频域，非线性等 10 种 特征在睡眠过程中的变化规律，并采用基于主成分分析（PCA）和支持向量机（SVM）联合使 用的自动睡眠分期方法，针对个体差异性为每例患者建立其专属的个性化分类器。通过对 MIT-BIH 数据库中的样本进行分析，平均正确率可达到 87.9%，优于许多同类研究。 关键词：睡眠分期；主成分分析；支持向量机；个体差异性；样本熵 中图分类号：R318 Analysis of sleep staging based on Individual difference with Principal Component Analysis and Support Vector Machine Zhou Peng, Li Xiangxin, Zhang Yi, Xue Ranting (School of Precision Instruments and Opto-Electronics,Tianjin University, TianJin 300072) Abstract: With the pace of life accelerated, more and more people face with insomnia. Sleep problem is the hot tissue recently and sleep staging is the premise and basic research of the study of sleep. This paper studies the change rules of ten kinds of characteristics in the time domain, frequency domain and nonlinear in sleep, presents a new method which combines with Principal Component Analysis and Support Vector Machine for automatic sleep staging and also puts forward for each patient to establish his own classifier. based on the theory of individual difference. Experiments conducted on the samples of MIT-BIH database. And the correct rate can reach 87.9% , which is better than many other similar studies. Keywords: Sleep staging; PCA; SVM; Individual difference; Sample entropy 0 引言 睡眠作为人类不可或缺的生理过程，具有极其重要的作用，通过睡眠人的精神和体力得 到恢复。然而，随着生活节奏的加快、工作压力的增大以及人口老龄化的到来，失眠症已经 成为“悄然发展的现代社会流行病”，严重影响了人们的身心健康，降低了人们的生活质量。 因此，睡眠问题已经成为社会研究的热点问题，睡眠分期研究作为睡眠研究的基础，是睡眠 质量评价和相关疾病诊断的重要依据。根据 2007 年美国睡眠医学学会（American Academy of Sleep Medicine, AASM）的最新修改，睡眠的整个过程可分为：清醒期（W）、浅睡期（Ⅰ 期、期、）深睡期（期）和快速眼动（REM）期[1]。 最可靠的睡眠分期方法是由经验丰富的医师对被测者整晚的睡眠脑电信号观测后进行 人工分期[2]，但是该方法对专家的知识和经验水平提出了较高要求，并且费时费力，工作量 大。因此本文提出了基于 PCA 和 SVM 联合使用的自动睡眠分期方法。使用主成分分析 （Principal Component Analysis，PCA）对特征数据进行降维处理，确保在降低数据计算维 数的同时保存绝大部分有效信息，解决了模型参数的过度拟合问题，并选用支持向量机作为 模式分类方法，利用其在小样本、非线性、多维数数据中的处理优势，提高了分类的准确性 和可靠性。 基金项目：博士点基金（200800561089）；国家自