论文部分内容阅读
睡眠分期有重要的研究意义。国内外关于睡眠分期算法与睡眠脑电特征提取方法仍有可改进之处。基于此,本文做了相关探索并提出相关的改进。论文实验数据来源于Physio Net男女各10位共20位健康受试者的睡眠数据,最终提取出41212条实验样本。本文由睡眠脑电特征提取和睡眠分期模型构建两部分组成。用小波阈值法为睡眠脑电原始信号去噪。然后提取平移多尺度熵(TME)、排列熵、节律波以及相关数学统计特征。最后,选择随机森林、GBDT和SVM分类器作为改进Stacking融合方法的初级分类器,用改进Stacking框架构建出基于睡眠脑电特征提取的睡眠分期模型。本文除了完成大量的实验工作量之外,有以下几点贡献。(1)改进多尺度熵算法,定义为平移多尺度熵算法,简记TME。解决原算法在粗粒化过程中不同“颗粒”之间存在数据“断点”处突变的问题。在控制其他因素不变的前提下,该改进使模型预测准确率相对提高0.332%。(2)改进传统Stacking方法。基于交叉熵损失准则改进Stacking优化第0层测试集输出的特征空间,精准提高Stacking融合方法的效果。在控制其他因素不变的前提下,相比于传统Stacking方法,该改进模型预测准确率提高0.107%。(3)将Stacking融合方法创新性地应用到脑电睡眠分期场景中。改进的Stacking融合模型效果优于以往研究中采用单模型方法的效果,具体为分别优于GBDT单模型2.308%,优于随机森林单模型3.132%,优于SVM单模型6.491%。在现有的实验数据条件下,整体改进后的睡眠分期模型准确率达到93.62%。