EEG+EMG学习系列:一个基于小波的自动睡眠评分模型
- 0. 引言
- 1. 主要贡献
- 2. 提出的方法
- 2.1 工作框图
- 2.1 正交小波滤波器组
- 2.2 小波分解
- 2.3 特征提取
- 3. 结果
- 4. 总结
- 欢迎来稿
论文地址：https://www.mdpi.com/1660-4601/19/12/7176
论文题目：An Automated Wavelet-Based Sleep Scoring Model Using EEG, EMG, and EOG Signals with More Than 8000 Subjects
0. 引言
由于手动睡眠阶段评分方法的限制，创建自动睡眠阶段分类的需求已经上升。在这项研究中，使用双通道单极脑电图 （EEG）、下巴肌电图 （EMG） 和双通道眼电图 （EOG） 信号开发了一种新的机器学习模型。使用最佳正交滤波器组，通过分解 30 s 信号纪元来获得子带。然后根据这些子带的系数计算 Tsallis 熵。然后，这些特征被馈送到一个集成袋装树 （EBT） 分类器，用于自动睡眠分类。
特征提取+机器学习分类的模型
1. 主要贡献
- 三种信号的结合
- 基于小波的 Tsallis 熵特征提取
2. 提出的方法
2.1 工作框图
图 1 显示了建议系统的流程图，表示在对睡眠阶段进行评分时采取的行动。数据采集、分割、小波分解、特征提取和分类都是该过程的一部分。收集 PSG 数据并将其分割为 30 s 的 epoch。这六个子带是使用正交小波滤波器组的五级小波分解获得的。提取了这些子带的 Tsallis 熵特征。然后将这些特征输入机器学习分类器以识别睡眠阶段。
2.1 正交小波滤波器组
在这项研究中，我们没有使用 Daubechies 标准小波 dB 滤波器，而是使用了最佳的正交小波滤波器。所采用的正交滤波器具有最小的时频积。对于所选长度，首先设计了一个最佳半带滤波器，以半定程序的形式制定一个凸优化问题，使光谱因子具有最小的均方带宽。然后，选择具有最小均方持续时间的最佳光谱因子。因此，所选的低通滤波器在频率和时间上都具有最小的扩展。在这项研究中，我们使用了一个具有三个消失矩且长度为 18 的滤波器。
2.2 小波分解
使用正交小波滤波器组，将 5 级的小波分解应用于 PSG 信号的每个纪元。结果，我们获得了 6 个子波段，其中 1 个是近似波段，其余 5 个是详细波段。
2.3 特征提取
通过从每个子带中提取 Tsallis 熵特征来对睡眠阶段进行分类，从而进行特征提取。Tsallis 熵在非广泛统计中很重要，因为它准确地解释了复杂系统的统计特性。Tsallis 熵被认为是定义特定类别给定系统的热统计特征的宝贵指标，其中包括长距离连接、长期记忆和多分形系统 。玻尔兹曼-吉布斯-香农 （BGS） 熵的推广得到 Tsallis 熵 （TE）：
3. 结果
表 4 和 表 5 总结了五个睡眠阶段的分类结果。
4. 总结
到此，使用 EEG+EMG学习系列 (1) :一个基于小波的自动睡眠评分模型 已经介绍完毕了！！！ 如果有什么疑问欢迎在评论区提出，对于共性问题可能会后续添加到文章介绍中。
如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。
欢迎来稿
欢迎投稿合作，投稿请遵循科学严谨、内容清晰明了的原则！！！！ 有意者可以后台私信！！
