基于贝叶斯相关向量机的脑电睡眠分期-江苏大学.pdfVIP

２０１１年５月 第３２卷　第３期 Ｍａｙ２０１１ Ｖｏｌ．３２　Ｎｏ．３ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１－７７７５．２０１１．０３．０１６ 基于贝叶斯相关向量机的脑电睡眠分期 沈　跃，刘　慧，谢洪波，和卫星 （江苏大学 电气信息工程学院，江苏 镇江２１２０１３） 摘要：针对支持向量机（ＳＶＭ）计算复杂度高和参数不易确定的局限性，提出一种基于稀疏贝叶斯 相关向量机（ＲＶＭ）的脑电数据睡眠分期方法．给出二分类ＲＶＭ的参数推理和优化，并确定了二叉 树多分类ＲＶＭ模型．基于８例健康成年人的ＭＩＴ／ＢＩＨ睡眠脑电实测数据，根据已有的专家人工睡 眠分期注释，首先提取清醒期和睡眠各期脑电数据的样本熵值作为特征向量样本，然后利用二叉树 多分类器法构建贝叶斯ＲＶＭ睡眠分期模型，输入清醒期和各睡眠期样本进行训练和测试，最终实 现各睡眠分期的模式分类．结果表明：在两种径向基核函数下，基于ＲＶＭ的睡眠分期识别准确率 最高达到８９．００％，高于ＳＶＭ方法（８７．６７％），且较ＳＶＭ需要更少的支持向量数目及更短的测试 时间，即ＲＶＭ比传统的ＳＶＭ具有更优的分类能力和更高的计算效率，是一种有效的睡眠分期识别 方法． 关键词：脑电波；睡眠；相关向量机；支持向量机；样本熵 中图分类号：Ｒ３１８．０４　　文献标志码：Ａ　　文章编号：１６７１－７７７５（２０１１）０３－０３２５－０５ ＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆＥＥＧｓｌｅｅｐｓｔａｇｅｂａｓｅｄｏｎＢａｙｅｓｉａｎｒｅｌｅｖａｎｃｅ ｖｅｃｔｏｒｍａｃｈｉｎｅ ＳｈｅｎＹｕｅ，ＬｉｕＨｕｉ，ＸｉｅＨｏｎｇｂｏ，ＨｅＷｅｉｘｉｎｇ （ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｓｕＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｊｉａｎｇ，Ｊｉａｎｇｓｕ２１２０１３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｏｏｖｅｒｃｏｍｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｓｏｆｃｏｍｐｌｉｃａｔｅｄｃａｌｃｕｌａｔｉｏｎａｎｄｕｎｃｅｒｔａｉｎｐａｒａｍｅｔｅｒｓｅｌｅｃｔｉｏｎｏｆ ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＳＶＭ），ａｎｅｗａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐａｒｓｅＢａｙｅｓｉａｎｒｅｌｅｖａｎｃｅｖｅｃｔｏｒｍａｃｈｉｎｅ （ＲＶＭ）ｗａｓｐｒｏｐｏｓｅｄｔｏｃｌａｓｓｉｆｙｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ（ＥＥＧ）ｓｌｅｅｐｓｔａｇｅ．Ｉｎｆｅｒｅｎｃｅａｎｄｏｐｔｉｍｉｚａｔｉｏｎ ｏｆｐａｒａｍｅｔｅｒｓｏｆｔｈｅｂｉｎａｒｙｃｌａｓｓｉｆｉｃａｔｉｏｎＲＶＭｗｅｒｅｇｉｖｅｎ，ａｎｄｂｉｎａｒｙｔｒｅｅＲＶＭｍｕｌｔｉｃｌａｓｓｍｏｄｅｌｗａｓ ｅｓｔａｂｌｉｓｈｅｄ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｋｎｏｗｎｓｌｅｅｐｓｔａｇｅａｎｎｏｔａｔｉｏｎｓｂｙｅｘｐｅｒｔｓ，ｓａｍｐｌｅｅｎｔｒｏｐｙ（ＳａｍｐＥｎ）ｆｅａ ｔｕｒｅｓｏｆｅａｃｈｓｌｅｅｐｓｔａｇｅｗｅｒｅｅｘｔｒａｃｔｅｄｆｒｏｍｔｈｅＥＥＧｓｌｅｅｐｓｉｇｎａｌｓｏｆｅｉｇｈｔｈｅａｌｔｈｙｖｏｌｕｎｔｅｅｒｓｗｉｔｈｏｕｔａｎｙ ｍｅｄｉｃａｔｉｏｎｉｎＭＩＴ／ＢＩＨｄａｔａｂａｓｅ．ＴｈｅｎｔｈｅｓｌｅｅｐｓｔａｇｅｔｙｐｅｓｗｅｒｅｉｄｅｎｔｉｆｉｅｄｔｈｒｏｕｇｈｍｕｌｔｉｌａｙＲＶＭｐａｔ ｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｃｌａｓｓｉｆｉｅｒｏｎｂｉｎａｒｙｔｒｅｅｃａｔｅｇｏｒｉｚａｔｉｏｎｂｙｔｒａｉｎｉｎｇａｎｄｔｅｓｔｉｎｇｓａｍｐｌｅｓｏｆｓｌｅｅｐａｎｄａｗａｋｅ ｐｅｒｉｏｄ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍａｘｉｍａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｒａｔｅｏｆＲＶＭｃａｎｒｅａｃｈ８９．００％，ｗｈｉｃｈｉｓｂｅｔｔｅｒ ｔｈａｎｔｈａｔｏｆｔｈｅＳＶＭ（８７．６７％）．Ｔｈｅｎｕｍｂｅｒｏｆｒｅｌｅｖａｎｃｅｖｅｃ