基于腦電信號(hào)特征提取的睡眠分期方法研究

李 斐，馬千里

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

基于腦電信號(hào)特征提取的睡眠分期方法研究

李 斐，馬千里

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

睡眠分期是研究睡眠其及相關(guān)疾病的基礎(chǔ)，是完成睡眠質(zhì)量評(píng)估的前提，具有重要的意義。主要提出了一種新的腦電信號(hào)特征提取方法，能夠有效提高睡眠分期的準(zhǔn)確率。傳統(tǒng)的自動(dòng)睡眠分期方法都是以一個(gè)睡眠時(shí)期的時(shí)間片為單位進(jìn)行特征參數(shù)提取，文中的睡眠分期按每30 s進(jìn)行一次睡眠時(shí)期判斷，將特征提取的時(shí)間片分為30 s、90 s、150 s以及210 s，研究不同時(shí)間片提取的特征參數(shù)對(duì)睡眠分期準(zhǔn)確率的影響。采用Weka工具中的隨機(jī)森林分類器對(duì)睡眠狀態(tài)進(jìn)行判別。實(shí)驗(yàn)結(jié)果表明，將210 s時(shí)間片得到的小波包系數(shù)、30 s時(shí)間片得到的排列熵以及90 s時(shí)間片得到的Petrosian分形維數(shù)作為自動(dòng)睡眠分期的參數(shù)，可以得到85%的準(zhǔn)確率；而采用30 s時(shí)間片得到的以上三類參數(shù)只能達(dá)到65%的準(zhǔn)確率。

睡眠分期；腦電信號(hào)；小波包系數(shù)；排列熵；Petrosian分形維數(shù)

0 引 言

近年來，睡眠質(zhì)量成為影響人類健康的隱形殺手，越來越多的人受到失眠等睡眠障礙的困擾。睡眠質(zhì)量評(píng)估以及睡眠類疾病診斷成為研究熱點(diǎn)。人體生理學(xué)表明，一個(gè)健康的深睡眠階段可以加速物理療養(yǎng)[1-2]。此外，健康的快速眼動(dòng)(REM)階段能夠提高學(xué)習(xí)能力和記憶力。睡眠評(píng)分結(jié)果是所有睡眠問題識(shí)別中所必需的。睡眠評(píng)分，即為在多導(dǎo)睡眠圖記錄(PSG)中得出的睡眠分期。數(shù)據(jù)庫中已經(jīng)有部分病人的PSG樣本，這其中就包括腦電圖(EEG)、眼電圖(EOG)和肌電圖(EMG)數(shù)據(jù)[3]。1968年，專家遵循Rechtschaffen & Kales(R&K)規(guī)則，確定了評(píng)估PSG記錄得出睡眠分期的規(guī)則。依據(jù)R&K準(zhǔn)則，每個(gè)時(shí)期(30 s的數(shù)據(jù))被分為清醒(W)、非快速眼動(dòng)(N-REM S1，N-REM S2，N-REM S3和N-REM S4：從淺睡眠到深睡眠)和快速眼動(dòng)(REM)。

目前，已經(jīng)提出了許多用于睡眠階段分類的模型[4]。下面列出了在文獻(xiàn)中常用于從腦電圖數(shù)據(jù)提取的特征參數(shù)，如標(biāo)準(zhǔn)偏差[5-6]、中位數(shù)[6-7]、算術(shù)平均值[7-8]、偏度[9-10]、峭度[9-10]、零交叉值[7,11]、方差值[7,12]、最大值和最小值[7,11]、平均能量[11,13-14]、平均teager能量[13]、彼得羅辛分形維數(shù)[14]、萊利熵[11,14]、頻譜熵[11,14-15]、排列熵[16]、近似熵[17]、維格納威樂系數(shù)[11-12]、小波變換[9,14,18-19]、平均曲線長度[13-14]、Hurst指數(shù)[17]和Hjorth參數(shù)[14,18]等。以上文獻(xiàn)的特征參數(shù)提取時(shí)都按照一個(gè)睡眠時(shí)期(30 s的數(shù)據(jù))進(jìn)行計(jì)算，但在實(shí)際人工進(jìn)行睡眠時(shí)期判斷時(shí)，前后時(shí)間片的數(shù)據(jù)也會(huì)在專家的考慮范圍內(nèi)。

文中提出一種新的提取特征參數(shù)的方式，即將前后時(shí)間片(每30 s)也作為當(dāng)前睡眠時(shí)期特征參數(shù)的提取依據(jù)。以腦電信號(hào)為睡眠分期原始信號(hào)，分別取30 s，90 s，150 s，210 s時(shí)間片的小波包系數(shù)、排列熵(PEn)、彼得羅辛分形維數(shù)(Petrosian分形維數(shù))，從中提取特征參數(shù)作為中間30 s睡眠時(shí)期判斷的依據(jù)。所提取的小波包系數(shù)、PEn、Petrosian分形維數(shù)作為睡眠各期特征參數(shù)組合，具有較高的分期準(zhǔn)確率[20]。

1 數(shù)據(jù)來源

文中使用的數(shù)據(jù)集是由圣文森特大學(xué)醫(yī)院和都柏林大學(xué)[21]提供，對(duì)數(shù)據(jù)庫中全部25個(gè)人的數(shù)據(jù)進(jìn)行研究。該數(shù)據(jù)的人口學(xué)特征如下：受試者25例，年齡：50±10歲，范圍28～68歲；BMI：31.6±4.0 kg/m2，范圍25.1～42.5 kg/m2；AHI：24.1±20.3，范圍1.7～90.9。多導(dǎo)睡眠記錄是通過Jaeger-Toennies系統(tǒng)獲得。Jaeger-Toennies系統(tǒng)通過使用10～20個(gè)電極位置獲得多導(dǎo)睡眠記錄，其中包括了2個(gè)EEG通道(C3-A2和C4-A1)，2個(gè)EOG通道和1個(gè)EMG通道，平均記錄時(shí)間為6.9 h。文中研究只采用單個(gè)腦電通道(C3-A2)，采樣率為128 Hz。EEG信號(hào)主要集中在0～30 Hz處，且采用的腦電數(shù)據(jù)在50 Hz處具有工頻干擾，通過5階IIR巴特沃斯低通濾波器對(duì)EEG信號(hào)進(jìn)行預(yù)處理，獲得0～35 Hz的EEG信號(hào)。然后，對(duì)腦電圖信號(hào)進(jìn)行分割，分為30 s一個(gè)時(shí)期，每個(gè)時(shí)期對(duì)應(yīng)于單個(gè)睡眠階段。

表1顯示了睡眠專家進(jìn)行睡眠狀態(tài)分類的25個(gè)受試者睡眠時(shí)期的分布，其中N-REM S1和N-REM S2期分別用N1、N2表示，且合并N-REMS3和N-REMS4期為N3期(即依據(jù)AASM準(zhǔn)則分類)。

表1 睡眠狀態(tài)各期分布

2 特征提取與分類方法

2.1 離散小波變換(DWT)

小波變換克服了傅里葉變換的缺陷[22]，并且該方法對(duì)于噪聲不敏感，適用于非平穩(wěn)信號(hào)的分析。連續(xù)小波變換的系數(shù)具有相當(dāng)大的冗余量，為了在不丟失原始信號(hào)信息的情況下，盡量減小小波變換系數(shù)的冗余度[23]，提高壓縮率[24]，引入了離散小波變換。定義如下：

(1)

其中，x(t)表示原信號(hào)；φ表示小波基。

DWT經(jīng)常被用于分析EEG信號(hào)，主要問題是小波基以及分解層數(shù)的選擇，其中小波分解的層數(shù)由原信號(hào)頻率決定。分解層數(shù)的選擇依據(jù)為使得被保留的小波系數(shù)與原信號(hào)不同睡眠狀態(tài)的頻率的相關(guān)性良好。腦電信號(hào)主要集中在0～30Hz，因此分解層數(shù)設(shè)置為4。在分解層數(shù)低于4層的情況下，會(huì)丟失低頻段的信息。沒有必要選擇大于4的分解層，4層分解已經(jīng)可以提取到所有EEG信號(hào)的有效頻帶。因此，信號(hào)被分解得到具有細(xì)節(jié)信息的D1-D4和含有低頻信息的A4。

在相關(guān)的EEG信號(hào)研究中發(fā)現(xiàn)，與10階Symmlet小波(sym10)和4階Coiflet小波(coif4)比較，Daubechies小波具有更高的精度，并且注意到4階Daubechies小波(db4)比2階Daubechies小波(db2)略優(yōu)[8,25-26]。所以，采用db4小波對(duì)EEG信號(hào)進(jìn)行4層分解，并統(tǒng)計(jì)D2-D4與A4分量的絕對(duì)值的均值以及標(biāo)準(zhǔn)差。因?yàn)樾〔ǚ纸獾奶厥庑?，并不一開始就采用滑動(dòng)窗進(jìn)行小波分解計(jì)算90s，150s以及210s的參數(shù)，而是先計(jì)算30s時(shí)間片的小波系數(shù)，然后采用滑動(dòng)窗以計(jì)算均值的方式得到90s，150s和210s的參數(shù)。

通過對(duì)EEG信號(hào)進(jìn)行4層DWT分解獲得的子帶頻率范圍如下：A4分量包含δ頻段(1～4Hz)，D4分量包含θ頻段(4～8Hz)，D3分量包含α頻段(8～13Hz)，D3分量包含β頻段(13～30Hz)。D1分量具有高于30Hz的頻率信息，這部分基本不含EEG信號(hào)的信息。因此，在這項(xiàng)研究中，使用D2-D4細(xì)節(jié)分量和低頻分量A4。

2.2 排列熵(PEn)

PEn由Bandt和Pompe[27]提出。PEn用比較相鄰值的方式度量時(shí)間序列的復(fù)雜性。它具有簡(jiǎn)單、健壯和計(jì)算成本極低的優(yōu)勢(shì)[28]。給定時(shí)間序列(xt,t=1,2,…,T)，相空間重構(gòu)向量為Xt=[xt,xt+1,…,xt+(n-1)l]，嵌入維數(shù)n，延遲時(shí)間l(此處l=1)[29]。然后對(duì)每個(gè)重構(gòu)分量Xt以升序排列，提取各個(gè)分量在原重構(gòu)向量中的索引，可以得到不同的符號(hào)序列。n維相空間映射n!種不同的符號(hào)序列。設(shè)f(π)為時(shí)間序列π出現(xiàn)的概率，其相對(duì)概率為p(π)=f(π)/(T-(n-1)l)。排列熵定義為[28]：

(2)

文中按判斷每個(gè)睡眠狀態(tài)的30sEEG信號(hào)數(shù)據(jù)計(jì)算PEn，當(dāng)計(jì)算90s、150s、210s的參數(shù)時(shí)，采用滑動(dòng)窗口提取PEn，將當(dāng)前睡眠狀態(tài)的30s前后的時(shí)間片加入到參數(shù)計(jì)算中。

2.3 Petrosian分形維數(shù)(PFD)

分形維數(shù)是用混沌方法計(jì)算信號(hào)的復(fù)雜性[30]。PFD便于分形維數(shù)的快速計(jì)算。PFD將信號(hào)轉(zhuǎn)化成二進(jìn)制序列[31]。PFD可以由以下表達(dá)式計(jì)算：

PFD=log10k/(log10k+log10(k/(k+0.4Nδ)))

(3)

其中，k是信號(hào)的樣本數(shù)；Nδ表示信號(hào)符號(hào)改變的次數(shù)。

PFD與排列熵的計(jì)算采用相同的滑動(dòng)窗獲得90s、150s、210s時(shí)間片的參數(shù)。

2.4 隨機(jī)森林分類器

Breiman于2001年提出一種新的組合分類算法——隨機(jī)森林算法(Random Forests,RF)[32]。相比其他優(yōu)秀的分類方法，如人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，它揭示了快速計(jì)算的優(yōu)點(diǎn)，精度高、避免過擬合、抗噪能力好。因此，隨機(jī)森林算法已經(jīng)廣泛應(yīng)用于生物信息學(xué)的分類[33-34]。

隨機(jī)森林是通過自助法(Bootstrap)的重復(fù)采樣技術(shù)，即從原始訓(xùn)練樣本集N中有放回地重復(fù)且隨機(jī)抽取k個(gè)樣本生成新的訓(xùn)練樣本集合，然后根據(jù)所抽取的k個(gè)樣本生成k棵決策樹組成隨機(jī)森林。隨機(jī)森林的實(shí)質(zhì)是對(duì)決策樹算法的改進(jìn)，隨機(jī)森林中的每一棵決策樹都是由分類回歸樹(CART)算法所構(gòu)建的未剪枝的決策樹。森林中的每棵樹的建立依賴一個(gè)獨(dú)立抽取的樣本，并且每棵樹都具有相同的分布，分類的誤差取決于每一棵決策樹的分類能力以及它們之間的相關(guān)性。

隨機(jī)森林的生成主要包括以下幾個(gè)步驟：

(1)采用Bootstrap方法在原始訓(xùn)練樣本集N中抽取k個(gè)新的訓(xùn)練樣本集，一般情況下要求每個(gè)新的訓(xùn)練集的樣本容量與N一致。

(2)對(duì)抽取的k個(gè)訓(xùn)練樣本集進(jìn)行學(xué)習(xí)，并以此生成k個(gè)決策樹模型。在決策樹的生成過程中，假設(shè)輸入變量一共有M個(gè)，從這M個(gè)輸入變量中隨機(jī)抽取F個(gè)，每個(gè)內(nèi)部節(jié)點(diǎn)均是選擇這F個(gè)特征變量上最優(yōu)的方式來分裂，且F的值在隨機(jī)森林模型的形成過程中恒定。

(3)針對(duì)分類問題，將k個(gè)決策樹的分類結(jié)果進(jìn)行組合，形成最終的結(jié)果，組合方式是簡(jiǎn)單多數(shù)投票法。

3 實(shí)驗(yàn)結(jié)果

特征提取所得的各層小波系數(shù)的均值與方差(D4-Mean-Std，D4MS)、排列熵、Petrosian分形維數(shù)是從不同的角度取得的腦電信號(hào)的特征。其中D4MS與腦電信號(hào)δ頻段(1～4Hz)、θ頻段(4～8Hz)、α頻段(8～13Hz)、β頻段(13～30Hz)具有良好的相關(guān)性，而PEn與PFD計(jì)算了腦電信號(hào)的復(fù)雜度，對(duì)D4MS中對(duì)EEG信號(hào)的特征具有補(bǔ)充作用，所以文中選擇這三種參數(shù)作為睡眠分期的依據(jù)。

將特征提取所獲得的PFD、D4MS、PEn一共10項(xiàng)特征參數(shù)以及人工睡眠狀態(tài)分類結(jié)果作為分類器的輸入。采用Weka工具包，并選擇其中的隨機(jī)森林對(duì)睡眠狀態(tài)進(jìn)行分類。

分類將隨機(jī)選取每一睡眠狀態(tài)80%的數(shù)據(jù)(16 656個(gè)樣本)作為訓(xùn)練集，剩下的20%(4 158個(gè)樣本)作為測(cè)試集。表2給出了單參數(shù)輸入時(shí)隨機(jī)森林分類的準(zhǔn)確率。

表2 單參數(shù)輸入分類準(zhǔn)確率

由表2可以看出，把對(duì)不同時(shí)間片提取的PEn作為分類器輸入的分類準(zhǔn)確率相近，在32%左右，而其他兩種參數(shù)的分類準(zhǔn)確率在不同時(shí)間片上差距較大。其中PFD的分類準(zhǔn)確率在時(shí)間片為90s時(shí)達(dá)到最高(42.85%)，各層小波系數(shù)的均值和標(biāo)準(zhǔn)差在時(shí)間片為210s時(shí)的分類準(zhǔn)確率達(dá)到最大(76.03%)。以上結(jié)果為10次實(shí)驗(yàn)的結(jié)果的平均值，是在隨機(jī)森林節(jié)點(diǎn)數(shù)為25，且隨機(jī)森林中每棵決策樹都隨機(jī)選擇60%的訓(xùn)練樣本作為分類依據(jù)時(shí)得出。

傳統(tǒng)的每30s提取的特征參數(shù)D4MS、PEn、PFD作為分類器輸入得到的分類結(jié)果如圖1所示。

圖1 每30 s提取特征參數(shù)的分類結(jié)果

由圖1可見，N1、N3以及REM期的分類準(zhǔn)確率較低，其中N1期誤判為覺醒期，分類準(zhǔn)確率也最低，只有33.68%。

采用單參數(shù)輸入準(zhǔn)確率最高的參數(shù)組合作為隨機(jī)森林輸入，各參數(shù)輸入順序?yàn)镈4MS、PEn、PFD，圖2是測(cè)試樣本的自動(dòng)睡眠分期結(jié)果。

圖2 優(yōu)化參數(shù)提取的分類結(jié)果

比較圖1與圖2可知，新的參數(shù)提取方式可以達(dá)到更高的分類準(zhǔn)確率，覺醒期的分類結(jié)果并無明顯變化，其他各睡眠狀態(tài)的分類準(zhǔn)確率都有所提高。其中對(duì)N2期的分類達(dá)到了91.91%的準(zhǔn)確率，N1、N2以及N3期的誤判概率都減小了，N1期的分類準(zhǔn)確率仍存在很大的提升空間。

圖3給出了部分的隨機(jī)森林分期結(jié)果與人工分期結(jié)果的比較。

圖3 部分分期結(jié)果比較

從圖中可見，隨機(jī)森林的分類結(jié)果大致與人工分期結(jié)果一致，其中REM期與N2期，N2與N3期之間存在的誤判相對(duì)較多，覺醒期中有小部分誤判成N1、N2期，結(jié)果基本與圖2相符。

4 結(jié)束語

文中主要介紹了一種新的睡眠分期特征參數(shù)提取方式，在自動(dòng)睡眠分期中引入了單個(gè)睡眠狀態(tài)判斷時(shí)期前后的EEG信號(hào)對(duì)睡眠分期結(jié)果的影響。研究結(jié)果表明，采用新的方式所提取的特征參數(shù)有效提高了自動(dòng)睡眠分期的準(zhǔn)確率。

[1]PanST,KuoCE,ZengJH,etal.AtransitionconstraineddiscretehiddenMarkovmodelforautomaticsleepstaging[J].BioMedicalEngineeringOnLine,2012,11:52-71.

[2] 王小丹,高允鎖,郭 敏.大學(xué)生睡眠質(zhì)量及其影響因素的綜述[J].中國熱帶醫(yī)學(xué),2006,6(10):1906-1907.

[3] 唐向東,李廷利.首次中德睡眠研究學(xué)術(shù)討論會(huì)綜述[J].中國科學(xué)基金,2008,22(5):277-281.

[4] 謝松云,張振中,楊金孝,等.腦電信號(hào)的若干處理方法研究與評(píng)價(jià)[J].計(jì)算機(jī)仿真,2007,24(2):326-330.

[5]FathimaT,BedeeuzzamanM,FarooqO,etal.Waveletbasedfeaturesforepilepticseizuredetection[J].MESJofTechnolandManag,2010,2(1):108-112.

[6]YuenCT,SanWS,RizoniM,etal.ClassificationofhumanemotionsfromEEGsignalsusingstatisticalfeaturesandneuralnetwork[J].InternationalJournalofIntegratedEngineering,2010,1(3):71-79.

[7]AlbayrakM,KoklukayaE.ThedetectionofanepileptiformactivityonEEGsignalsbyusingdataminingprocess[J].e-JournalofNewWorldSci.Acad,2009,4(1):1-12.

[8]SubasiA.EEGsignalclassificationusingwaveletfeatureextractionandamixtureofexpertmodel[J].ExpertSystemswithApplications,2007,32(4):1084-1093.

[9]OzsenS.Classificationofsleepstagesusingclass-dependentsequentialfeatureselectionandartificialneuralnetwork[J].NeuralComputing&Applications,2013,23(5):1239-1250.

[10]GandhiTK,ChakrabortyP,RoyGG,etal.Discreteharmonysearchbasedexpertmodelforepilepticseizuredetectioninelectroencephalography[J].ExpertSystemswithApplications,2012,39(4):4055-4062.

[11]SenB,PekerM.NovelapproachesforautomatedepilepticdiagnosisusingFCBFfeatureselectionandclassificationalgorithms[J].Turk.J.Electr.Eng.Comput.Sci.,2013,21:2092-2109.

[12]MohseniHR,MaghsoudiA,ShamsollahiMB.SeizuredetectioninEEGsignals:acomparisonofdifferentapproaches[C]//Proceedingsofthe28thIEEEEMBSannualinternationalconference.NewYork,USA:IEEE,2006:6724-6727.

[13]AlessandroMD,VachtsevanosG,HinsonA,etal.Ageneticapproachtoselectingtheoptimalfeatureforepilepticseizureprediction[C]//Proceedingsofthe23rdannualinternationalconferenceonengineeringinmedicineandbiologysociety.Istanbul,Turkey:IEEE,2001:1703-1706.

[14]KannathalN,ChooM,AcharyaU,etal.EntropiesfordetectionofepilepsyinEEG[J].ComputMethodsProgBiomed,2005,80:187-194.

[15]SrinivasanV,EswaranC,SriraamN.Artificialneuralnetworkbasedepilepticdetectionusingtimedomainandfrequencydomainfeatures[J].JournalofMedicalSystems,2005,29(6):647-660.

[16]BruzzoAA,GesierichB,SantiM,etal.PermutationentropytodetectvigilancechangesandpreictalstatesfromscalpEEGinepilepticpatients-Apreliminarystudy[J].NeurologicalSciences,2008,29(1):3-9.

[17]GengS,ZhouW,YuanQ,etal.EEGnon-linearfeatureextractionusingcorrelationdimensionandHurstexponent[J].NeurologicalResearch,2011,33(9):908-912.

[18]BaoFS,LieDY,ZhangY.AnewapproachtoautomatedepilepticdiagnosisusingEEGandprobabilisticneuralnetwork[C]//Proceedingsofthe2008 20thIEEEinternationalconferenceontoolswithartificialintelligence.WashingtonDC,USA:IEEE,2008:482-486.

[19]SezerE,IsikH,SaracogluE.EmploymentandcomparisonofdifferentartificialneuralnetworksforepilepsydiagnosisfromEEGsignals[J].JournalofMedicalSystems,2012,36(1):347-362.

[20]SenB,PekerM,?avuogluA,etal.AcomparativestudyonclassificationofsleepstagebasedonEEGsignalsusingfeatureselectionandclassificationalgorithms[J].JournalofMedicalSystems,2014,38(3):1-21.

[21]GoldbergerAL,AmaralLA,GlassL,etal.PhysioBank,PhysioToolkit,andPhysioNet:componentsofanewresearchresourceforcomplexphysiologicsignals[J].Circulation,2000,101(23):215-220.

[22]HasilogluA.Rotation-invarianttextureanalysisandclassificationbyartificialneuralnetworksandwavelettransform[J].TurkishJournalofEngineeringandEnvironmentalSciences,2001(5):405-413.

[23] 曹懷信,趙建偉.小波分析發(fā)展綜述[J].咸陽師范學(xué)院學(xué)報(bào),2002,17(6):5-8.

[24] 成禮智,王紅霞,羅 永.小波的理論與應(yīng)用[M].北京:科學(xué)出版社,2004.

[25]SubasiA.Applicationofadaptiveneuro-fuzzyinferencesystemforepilepticseizuredetectionusingwaveletfeatureextraction[J].ComputersinBiologyandMedicine,2007,37:227-244.

[26]MahajanK,VargantwarMR,RajputMS.ClassificationofEEGusingPCA,ICAandneuralnetwork[J].InternationalJournalofEngineeringandAdvanceTechnology,2011(1):80-83.

[27]BandtC,PompeB.Permutationentropy:anaturalcomplexitymeasurefortimeseries[J].PhysicalReviewLetters,2002,88(17):174102.

[28]LiuXF,WangY.Fine-grainedpermutationentropyasameasureofnaturalcomplexityfortimeseries[J].ChinesePhysB,2009,18(7):2690-2695.

[29] 姚文坡,劉鐵兵,戴加飛,等.腦電信號(hào)的多尺度排列熵分析[J].物理學(xué)報(bào),2014,93(7):419-425.

[30]PetrosianA.KolmogorovcomplexityoffinitesequencesandrecognitionofdifferentpreictalEEGpatterns[C]//Proceedingsofthe26thIEEEinternationalsymposiumoncomputerbasedmedicalsystems.Lubbock,Texas:IEEE,1995:212-217.

[31] 聶篤憲,曾文曲,文有為.分形維數(shù)計(jì)算方法的研究[J].微機(jī)發(fā)展(現(xiàn)更名:計(jì)算機(jī)技術(shù)與發(fā)展),2004,14(9):17-19.

[32]BreimanL.Randomforests[J].MachineLearning,2001,45(1):5-32.

[33]YuanM,HuXZ.Predictingmembraneproteintypesusingtherandomforestsalgorithm[J].ActaBiophysicaSinica,2009,25(5):349-355.

[34]AlanJ,BogunovicN.Randomforest-basedclassificationofheartratevariabilitysignalsbyusingcombinationsoflinearandnonlinearfeatures[J].IFMBEProceedings,2010,29(1):29-32.

Research on Sleep Staging Method Based on Feature Extraction of EEG

LI Fei,MA Qian-li

(College of Telecommunications & Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

Researches on sleep staging is not only the basis of diagnosing sleep related diseases,but also the precondition of sleep quality evaluation,which has vital significance.A new method to extract EEG features is proposed which effectively improves the accuracy of sleep staging.Different from traditional automatic sleep staging method,sleep stage is classified every 30 seconds and time slice for feature extraction is respectively divided into 30 seconds,90 seconds,150 seconds and 210 seconds to study characteristic parameters of difference time slices on the accuracy of sleep stage.Besides,a random forest classifier in Weka tools is adopted to identify sleep state.The result shows that putting wavelet packet coefficients obtained by the 210 s time slice,the permutation entropy from the 30 s time slice and the Petrosian fractal dimension from 90 s time slice as the parameters of the automatic sleep staging,it can get accuracy of 85%,while three kinds of parameters in 30 s time slice above can only reach accuracy of 65%.

sleep stage;EEG;wavelet packet coefficient;permutation entropy;Petrosian fractal dimension

2016-02-24

2016-06-23

時(shí)間：2016-11-22

國家自然科學(xué)基金資助項(xiàng)目(61201029)

李 斐(1991-)，女，碩士研究生，研究方向?yàn)闊o線通信與信號(hào)處理技術(shù)；馬千里，副教授，研究生導(dǎo)師，研究方向?yàn)榍度胧较到y(tǒng)軟硬件設(shè)計(jì)、信號(hào)檢測(cè)與處理、圖像處理、生物醫(yī)學(xué)電子學(xué)等。

http://www.cnki.net/kcms/detail/61.1450.TP.20161122.1227.030.html

TP301

A

1673-629X(2017)01-0177-05

10.3969/j.issn.1673-629X.2017.01.040