基于粒子群優(yōu)化極限學(xué)習(xí)機(jī)的睡眠分期方法

吳振華，邱 倩

（南昌航空大學(xué) 軟件學(xué)院，江西 南昌 330100）

0 引 言

睡眠是人類最重要的生理活動之一，良好的睡眠有利于人類保持身體健康。但隨著時代的進(jìn)步，人們在工作、學(xué)習(xí)、生活上的壓力也隨之增加，越來越多的人患有睡眠障礙。睡眠障礙會產(chǎn)生許多問題，包括疲勞、焦慮、抑郁和死亡風(fēng)險等，是具有公共危害性的疾病[1-2]。

多導(dǎo)睡眠圖（Polysomnography, PSG）常用于睡眠狀態(tài)評估，它利用腦電圖機(jī)將被測試者整夜的腦電（Electroencephalogram, EEG）、肌電（Electromyogram, EMG）、心電（Electrocardiogram, ECG）、眼電（Electrooculogram,EOG）、呼吸等生理參數(shù)同步記錄，由專業(yè)的醫(yī)生根據(jù)R&K準(zhǔn)則[3]，將睡眠狀態(tài)劃分成清醒期（WAKE）、快速眼動期（Rapid Eye Movements, REM）和非快速眼動期（Non Rapid Eye Movements, NREM）。其中NREM又可以劃分為N1～N4共4個子階段，其中N1、N2期稱為淺度睡眠，N3、N4期稱為深度睡眠。雖然PSG測試結(jié)果較為準(zhǔn)確，但需要在專業(yè)的睡眠中心進(jìn)行數(shù)據(jù)采集，不適用于民眾長期日常監(jiān)護(hù)。且在數(shù)據(jù)采集記錄后，專家會手動識別每個數(shù)據(jù)所生產(chǎn)的睡眠階段，這項工作繁瑣且勞累，因此，設(shè)計一種高準(zhǔn)確率的自動睡眠分期方法已成為睡眠醫(yī)學(xué)領(lǐng)域的研究熱點[4]。

ECG信號和呼吸信號作為人體重要的生理信號，在一定程度上能夠反應(yīng)測試者在夜間的睡眠情況，國內(nèi)外均有學(xué)者利用ECG信號對睡眠進(jìn)行分期檢測，并取得了不錯的成就。Mourad Adnane[5]等通過心率變異性（HRV）、去趨勢波動分析（DFA）和窗口去趨勢波動分析（WDFA）方法從RR序列中提取7個特征，采用支持向量機(jī)（Support Vector Machine, SVM）的方法對SLEEP-WAKE二類分期進(jìn)行分類，得到78.5%的準(zhǔn)確率。王金海等[6]采用SVM設(shè)計并實現(xiàn)了基于心率變異性的睡眠分期算法，采用主成分分析（PCA）的方式降低了數(shù)據(jù)間的冗余度，獲得了較高的預(yù)測精度。馮曉星[7]等通過提取單通道ECG信號的RRI和HRV六個衍生特征，利用隱馬爾可夫（Hidden Markov Model, HMM）模型對特征進(jìn)行訓(xùn)練，睡眠分期準(zhǔn)確率達(dá)92.3%。

一些學(xué)者嘗試將ECG信號和呼吸信號相結(jié)合進(jìn)行睡眠建模。M.O.Mendez[8]等基于時域自回歸模型對特征進(jìn)行提取并使用HMM對心率變異性進(jìn)行分析，監(jiān)測準(zhǔn)確率為72%。許良[9]將HMM和BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks, BPNN）相結(jié)合的混合算法應(yīng)用到睡眠分期計算中，先利用HMM對心率呼吸率信號進(jìn)行建模，得到各睡眠狀態(tài)下的HMM模型，然后利用BPNN對HMM分期計算的結(jié)果進(jìn)行記憶訓(xùn)練，提高睡眠分期的識別率。李濤[10]等在通過引入ECG信號QRSTP波之間的間距、幅值以及RR間期的分位數(shù)等新的時域特征后，利用最小二乘支持向量機(jī)（LSSVM）方式對所提取的特征進(jìn)行建模分類，在六類分期上得到75.5%的準(zhǔn)確率。由此可見，利用人工智能方式建立睡眠模型具有一定的可行性。

BPNN非常適用于睡眠階段的分析，它容錯性強(qiáng)，具有學(xué)習(xí)復(fù)雜非線性關(guān)系的能力，但是它反向?qū)W習(xí)過程緩慢，可能導(dǎo)致局部最優(yōu)解出現(xiàn)[11]。極限學(xué)習(xí)機(jī)（Extreme Learning Machine, ELM）克服了BPNN的缺點，它基于神經(jīng)網(wǎng)絡(luò)的概念，精確度高、處理數(shù)據(jù)時間短，相較于BPNN具有更好的泛化能力和處理速度。在建立睡眠模型后，提取原始數(shù)據(jù)中的特征數(shù)據(jù)進(jìn)行學(xué)習(xí)，但并非所有特征都是有效的，并且ELM初始化參數(shù)生成方式的隨機(jī)性會導(dǎo)致模型不可避免的產(chǎn)生隱含層神經(jīng)元冗余、對位置輸入?yún)?shù)識別能力差等問題，從而降低預(yù)測精度。針對這些問題，本文通過粒子群優(yōu)化算法（Particle Swarm Optimization, PSO）對原始特征數(shù)據(jù)進(jìn)行擇優(yōu)選擇以及對ELM的輸入權(quán)值和隱含神經(jīng)元的閾值進(jìn)行尋優(yōu)，從而建立PSO-ELM模型以提高睡眠模型的精度。

1 方 法

1.1 數(shù)據(jù)集

實驗數(shù)據(jù)來自麻省理工學(xué)院提供的MIT-BIH多導(dǎo)睡眠數(shù)據(jù)庫[12]，該數(shù)據(jù)庫中共記錄了17個受試者的相關(guān)數(shù)據(jù)，對于每位受試者，該數(shù)據(jù)庫提供了包括EEG、ECG、呼吸和血壓等4種生理數(shù)據(jù)，并提供了人工標(biāo)注的睡眠分期標(biāo)簽，數(shù)據(jù)采樣頻率為250 Hz。睡眠分期遵循R&K準(zhǔn)則，對每位受試者的生理數(shù)據(jù)按照30 s進(jìn)行分段，并對睡眠階段進(jìn)行標(biāo)注。

1.2 數(shù)據(jù)預(yù)處理

生理信號通常會受一些未知頻率成分的干擾，因此本文對ECG信號和呼吸信號作濾波處理。一般ECG信號的頻率范圍為0.05～100 Hz，采用巴特沃斯低通濾波器對ECG信號進(jìn)行預(yù)處理。呼吸信號的波形簡單且頻率較低，噪聲主要以高頻噪聲為主。正常人的呼吸頻率為0.2～0.4 Hz，采用Kasier低通濾波器對呼吸信號進(jìn)行預(yù)處理，將濾波器的帶通頻率設(shè)為0.5 Hz，帶阻頻率設(shè)為1.0 Hz，帶通波動與帶阻衰減分別設(shè)為0.01和0.001。截取測試對象slp01a的一段數(shù)據(jù)（5 000個數(shù)據(jù)），濾波后的效果如圖1所示。

圖1 ECG信號、呼吸信號濾波處理

1.3 特征提取

1.3.1 HRV特征提取

HRV是指連續(xù)心搏瞬間心率的微小差異或逐次心跳間隔即RR間期的變化規(guī)律。主要受心臟交感和副交感神經(jīng)雙重調(diào)節(jié)和相互制約的影響，HRV還呈現(xiàn)出與腦電類相似的周期性變化規(guī)律，其時域、頻域和非線性信號在不同的睡眠階段具有不同的特點。本文選取的HRV特征見表1所列。

由表1可知，HRV的時域特征由mRR、SDNN、RMSSD、SDSD、NN50和pNN50構(gòu)成。其中，mRR指相鄰RR間期的平均值，SDNN指RR間期的標(biāo)準(zhǔn)差，RMSSD指RR間隔之間差異平方均值的平方根，SDSD指相鄰RR間隔之間的差異標(biāo)準(zhǔn)偏差，NN50指相鄰RR間隔相差超過50 ms的個數(shù)，pNN50指相鄰RR間隔相差50 ms的個數(shù)占總間隔個數(shù)的百分比。

表1 HRV特征提取總結(jié)表

HRV的頻域特征由VLF、LF、HF、TP、pLF、pHF和LFHF構(gòu)成。一般HRV頻譜劃分為4個頻帶[13]：甚低頻ULF（＜0.03 Hz）、極低頻（0.03～0.04 Hz）、低頻（0.04～0.15 Hz）和高頻（0.15～0.4 Hz）。頻域分析方法應(yīng)選取一段信號進(jìn)行頻譜分析，睡眠分期標(biāo)簽的時間是30 s，因此本研究選取30 s的HRV信號作為時間尺度，提取該尺度內(nèi)的頻域特征。

近似熵（Approximate Entropy, ApEn）和樣本熵（Sample Entropy, SamEn）是兩種較為常用的非線性分析指標(biāo)。此前，ApEn和SamEn更多用于分析腦電信號。將ApEn和SamEn應(yīng)用于睡眠心率數(shù)據(jù)和呼吸數(shù)據(jù)的分析，可以定量描述在不同睡眠階段下心率和呼吸的波動情況。本文采用ApEn分析HRV的非線性特征。

1.3.2 呼吸信號特征提取

呼吸作為人體重要的生理信號之一，隨著睡眠的加深，測試者的呼吸頻率也會逐漸降低。呼吸波有著類似HRV的變化規(guī)律，其時域和頻域特征在不同的睡眠階段有著不同的表現(xiàn)。本文選取的呼吸特征見表2所列。

表2 呼吸特征提取總結(jié)表

采用和HRV相似的時域分析方法，其中Resppeak_num指一段時間內(nèi)呼吸波峰數(shù)量，Average_Resp指一段時間內(nèi)呼吸波峰波谷的間隔平均值，Resppeak_valley_SD指連續(xù)波峰波谷的間隔標(biāo)準(zhǔn)差，Resppeak_SD指連續(xù)呼吸波峰的間隔標(biāo)準(zhǔn)差。

參考已有研究，將呼吸波頻譜分為3個頻帶：極低頻VLF（0.01～0.05 Hz）、低頻LF（0.05～0.15 Hz）和高頻HF（0.15～0.5 Hz）。呼吸波的頻域特征在一定程度上反應(yīng)了呼吸量的強(qiáng)弱，當(dāng)呼吸頻譜能量較大時，說明呼吸信號能量集中，呼吸活動比較有規(guī)律；當(dāng)頻譜能量較小時，說明呼吸信號能量分散，呼吸活動表現(xiàn)為隨機(jī)性強(qiáng)、規(guī)律性弱。同時，本文也計算了呼吸波的近似熵來反應(yīng)呼吸波的非線性特征。

1.3.3 心肺耦合信號特征提取

哈佛醫(yī)學(xué)院的C.K Peng等人[14]將心肺耦合現(xiàn)象用于研究睡眠質(zhì)量和睡眠呼吸事件。通過計算心率信號和呼吸信號在給定頻率下的功率乘積，即測量互功率譜可以得到這兩個信號在該頻率下是否有較大的振幅。另外，計算心率信號和呼吸信號的相干性，由此可知這兩個信號的振蕩同步情況，即是否保持恒定的相位同步。用相干性和互功率譜相乘得到的結(jié)果來定量估計心肺耦合的強(qiáng)度。利用文獻(xiàn)[15]中的研究方法，得到低頻LF（0.04～0.10 Hz）和高頻HF（0.10～0.40 Hz）頻段范圍內(nèi)的耦合能量。

1.4 建模方法

1.4.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)（ELM）[16]是一種有效的單隱含層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，它與傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)相比，能夠有效克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)因采用梯度下降法進(jìn)行訓(xùn)練而導(dǎo)致陷入局部極值的缺點，并且具有處理速度快、泛化能力強(qiáng)、易于實現(xiàn)等優(yōu)點，其結(jié)構(gòu)示意如圖2所示。

圖2 ELM結(jié)構(gòu)示意圖

假設(shè)給定N個訓(xùn)練樣本{xi, ti），1≤i≤N，xi=[xi1, xi2, ...,xim]T∈Rm，ti=[ti1, ti2, ..., tin]T∈Rn，則ELM的訓(xùn)練模型表示為：

式中：ωi表示連接網(wǎng)絡(luò)輸入層節(jié)點與第i個隱含節(jié)點的輸入權(quán)值向量；βi表示連接第i個隱含層節(jié)點與網(wǎng)絡(luò)輸出層節(jié)點的輸出權(quán)值向量；oj表示網(wǎng)絡(luò)輸出值。

為了取得較好的預(yù)測精度，訓(xùn)練過程應(yīng)以零誤差逼近訓(xùn)練樣本，即：

聯(lián)合式（1）和式（2）可得：

式（3）可表示為：

式中：Y為網(wǎng)絡(luò)輸出矩陣；H為隱含層輸出矩陣。

由于H矩陣為常數(shù)矩陣，則ELM的學(xué)習(xí)過程可等價于式（4）中β的最小二乘解β′的求解過程，即：

式中，H+是矩陣H的Moore-Penrose廣義逆矩陣。

1.4.2 粒子群優(yōu)化算法

在粒子群優(yōu)化算法（PSO）中[17]，所有粒子的適應(yīng)值由適應(yīng)度函數(shù)決定，每個粒子都被賦予速度用來搜索方向和距離，并且能夠保存尋找的最佳位置信息。粒子群在初始狀態(tài)下，通過計算個體的適應(yīng)值選擇個體的局部最優(yōu)位置向量pbest和種群的全局最優(yōu)位置向量gbest。在迭代尋優(yōu)的過程中，通過pbest和gbest不斷更新自身的速度和位置，即：

式中：W稱為慣性因子，通過調(diào)整W的大小，可以對全局尋優(yōu)性能和局部尋優(yōu)性能進(jìn)行調(diào)整；c1和c2稱為加速常數(shù)，前者為每個粒子的個體學(xué)習(xí)因子，后者為每個粒子的社會學(xué)習(xí)因子，當(dāng)c1和c2為常數(shù)時可以得到較好的解，一般取c1=c2∈[0，4]，通常設(shè)置c2=c2=2；r1和r2是0到1的隨機(jī)因子，可增加搜索隨機(jī)性。

1.4.3 粒子群優(yōu)化極限學(xué)習(xí)機(jī)

處理好數(shù)據(jù)的所有特征后，需要選擇出最具有代表性的特征放入極限學(xué)習(xí)機(jī)中。通過人工方式選擇特征不一定能夠得到最好的預(yù)測結(jié)果，并且ELM初始化參數(shù)生成方式是隨機(jī)確定的，有可能導(dǎo)致隱含層神經(jīng)元冗余、對未知輸入?yún)?shù)識別能力差等問題，從而影響模型精度。面對上述問題，R. Ahila[18]等提出了PSO優(yōu)化ELM的方法，該方法通過利用PSO算法對電力質(zhì)量的數(shù)據(jù)特征以及ELM的輸入權(quán)值和隱含神經(jīng)元的閾值進(jìn)行尋優(yōu)，從而提高電力系統(tǒng)干擾分類模型的泛化能力和精確度。雖然睡眠狀態(tài)分期與電力系統(tǒng)干擾分類屬于不同的應(yīng)用領(lǐng)域，但本質(zhì)相同，都是對采集的信號進(jìn)行特征提取，并通過提取的特征進(jìn)行狀態(tài)分類。因此，本研究利用R. Ahila等提出的方法建立基于粒子群優(yōu)化極限學(xué)習(xí)機(jī)的睡眠分期模型（PSO-ELM）。

PSO-ELM模型中的每個粒子都用二進(jìn)制表示，包含2個部分：特征掩碼和隱含神經(jīng)元。PSO-ELM 粒子表示見表3所列。

表3 PSO-ELM 粒子表示

特征掩碼部分表示所選的特征，n表示所有特征的總數(shù)。當(dāng)pf為“1”時，表示當(dāng)前特征已被選中，如果為“0”則表示未選中該特征。隱含神經(jīng)元部分表示PSO-ELM模型中隱含神經(jīng)元的數(shù)量，其中N表示最大隱含神經(jīng)元的總數(shù)。

在適應(yīng)度函數(shù)中，利用ELM和總特征選擇的精度對PSO-ELM模型進(jìn)行評價，如式（7）所示：

式中：wA和wF是權(quán)重因子，表示分類精度acci和所選特征數(shù)的權(quán)重；nf是特征的總數(shù)；fj是特征掩碼的第j位；acc表示分類精度，如式（8），其中分類正確和分類錯誤的例子分別用cc和uc表示。

PSO-ELM模型的詳細(xì)步驟如下：

（2）對粒子pi在種群中的每個位置訓(xùn)練一個ELM分類器，并計算適應(yīng)度函數(shù) fi tnessi；

（4）設(shè)置迭代次數(shù)，并開始迭代；

（6）對粒子pi訓(xùn)練一個ELM分類器并計算適應(yīng)度函數(shù)fi tnessi；

（7）如果粒子當(dāng)前位置的適應(yīng)度函數(shù) fi tnessi為最大值，則更新局部最優(yōu)解和全局最優(yōu)解；

（8）如果迭代次數(shù)達(dá)到最大，則回到步驟（5），否則進(jìn)行步驟（9）；

（10）利用訓(xùn)練好的ELM分類器對睡眠數(shù)據(jù)進(jìn)行睡眠分期。

PSO-ELM模型的算法流程如圖3所示。

圖3 PSO-ELM模型的算法流程

2 實驗與討論

為證明利用PSO算法對數(shù)據(jù)特征進(jìn)行尋優(yōu)以及對ELM分類器中隱含神經(jīng)元數(shù)量進(jìn)行尋優(yōu)后，能夠有效提升睡眠分期模型的精度，本文以三類睡眠分期數(shù)據(jù)為基礎(chǔ)做了以下實驗：

（1）確定ELM分類器隱含神經(jīng)元數(shù)量范圍；

（2）ELM、SVM、BPNN分類器在原始特征空間中分類的精度評估與對比；

（3）PSO算法對ELM、SVM分類器在數(shù)據(jù)特征尋優(yōu)后睡眠分類精度的評估與對比；

（4）PSO算法對特征以及ELM分類器中隱含神經(jīng)元數(shù)量進(jìn)行尋優(yōu)后睡眠分類精度的評估；

（5）本文方法與現(xiàn)有睡眠分類方案的對比。

2.1 主成分分析

原始特征數(shù)據(jù)相對較大，數(shù)據(jù)與數(shù)據(jù)間存在一定的相關(guān)性，直接用這些特征指標(biāo)來區(qū)分不同的睡眠狀態(tài)會導(dǎo)致數(shù)據(jù)間的冗余，導(dǎo)致程序運(yùn)行時間過長并對預(yù)測結(jié)果造成一定影響。因此，本文利用PCA對原始特征數(shù)據(jù)進(jìn)行主成分提取，將原來具有一定相關(guān)性的數(shù)據(jù)重新組合成一組新的互不相關(guān)的綜合特征向量，用更少的數(shù)據(jù)代替原先數(shù)據(jù)，提高運(yùn)算效率。

對樣本特征數(shù)據(jù)進(jìn)行PCA處理并提取新的特征向量，如圖4所示。由圖中數(shù)據(jù)可知，當(dāng)新的特征向量個數(shù)為16時，累積貢獻(xiàn)率已達(dá)到95%，表明選取前16個特征向量足夠表征原始數(shù)據(jù)。通過PCA對原始特征數(shù)據(jù)進(jìn)行預(yù)處理，在滿足原始數(shù)據(jù)不失真的條件下，降低了數(shù)據(jù)量和數(shù)據(jù)間的相關(guān)性，提高了算法的執(zhí)行速度以及準(zhǔn)確性。

圖4 PCA特征降維

2.2 ELM隱含神經(jīng)元數(shù)量

ELM分類器對原始數(shù)據(jù)的分類精度會隨著隱含神經(jīng)元數(shù)量的變化而變化[19]。為說明這種行為，以三類睡眠分期數(shù)據(jù)為基礎(chǔ)進(jìn)行實驗。將ELM隱含神經(jīng)元的數(shù)量從10個增加至110個，其中每新增10個為一次實驗，計算在不同數(shù)量的隱含神經(jīng)元下ELM分類器對三類睡眠分期的平均分類精度。表4為訓(xùn)練和測試時的精度變化，圖5為相應(yīng)精度變化圖。根據(jù)表4和圖5可以清楚看出，ELM分類器的訓(xùn)練精度隨隱含神經(jīng)元數(shù)量的增加而增加，在隱含神經(jīng)元數(shù)量為90時達(dá)到最大。測試精度一開始隨著隱含神經(jīng)元數(shù)量的增加而增加，當(dāng)隱含神經(jīng)元達(dá)到一定數(shù)量后，測試精度開始逐漸降低。因此，在三類睡眠分期實驗中，隱含神經(jīng)元數(shù)量在80～90區(qū)間時測試精度達(dá)到最大。所以，在三類睡眠分期實驗中，若不對隱含神經(jīng)元數(shù)量進(jìn)行尋優(yōu)選擇，則統(tǒng)一設(shè)定隱含神經(jīng)元數(shù)量為90。

圖5 ELM分類精度變化

表4 ELM隱含神經(jīng)元數(shù)量訓(xùn)練、測試時的精度

2.3 原始特征空間中分類

為能有效評估ELM分類器在原始特征空間中對睡眠信息進(jìn)行分類的有效性和優(yōu)越性，進(jìn)行了以下實驗。

利用ELM分類器、SVM分類器以及BPNN分類器分別建立三類睡眠分期模型，并將這3個模型得到的結(jié)果進(jìn)行比較。實驗結(jié)果見表5所列。

表5 原始特征空間中分類結(jié)果

從表5中可以看出，基于ELM睡眠分期模型的分類結(jié)果明顯優(yōu)于SVM和BPNN睡眠分期模型的分類結(jié)果，并且所耗費的時間也最短。此外，在SVM睡眠分期模型中，訓(xùn)練集和測試集間的精度誤差高達(dá)29.09%，存在嚴(yán)重的過擬合現(xiàn)象。而在ELM睡眠分期模型中，訓(xùn)練集和測試集間的精度誤差為7.62%，雖然也存在一定的過擬合現(xiàn)象，但并不嚴(yán)重?？梢宰C明，ELM分類器相較于SVM和BPNN分類器，能夠更有效的對睡眠信息進(jìn)行分類。

2.4 基于特征選擇的分類

在上述實驗參數(shù)不變的情況下，利用PSO算法對ELM和SVM睡眠分期模型中的特征數(shù)量進(jìn)行尋優(yōu)，從而驗證通過選擇有效的特征數(shù)量能夠提升睡眠分期模型精度的結(jié)論。其中，PSO算法中的參數(shù)設(shè)置：c1、c2設(shè)置為2，wA和wF分別設(shè)置為0.95和0.05，粒子的數(shù)量設(shè)置為30，共進(jìn)行25次實驗，選擇其中分類效果最好的一次為最后的實驗結(jié)果（實驗結(jié)果加粗顯示）。表6和表7分別給出了PSO算法優(yōu)化ELM和SVM睡眠分期模型進(jìn)行特征尋優(yōu)的過程。

表6 PSO算法尋優(yōu)ELM睡眠分期模型特征參數(shù)過程

表7 PSO算法尋優(yōu)SVM睡眠分期模型特征參數(shù)過程

由表6和表7可以清楚看出，可以通過PSO算法對模型中的特征進(jìn)行尋優(yōu)選擇，從而提升模型的分類精度。這說明，原始特征空間中并不是所有特征數(shù)據(jù)都是必要的，使用了不必要的特征反而會降低模型的分類精度。此外，相比較表5中ELM和SVM睡眠分期模型的分類結(jié)果，利用PSO算法對模型特征進(jìn)行優(yōu)化后，訓(xùn)練集與測試集間的精度誤差明顯降低，尤其是SVM睡眠分期模型，從原先的29.09%降低至2.12%，過擬合現(xiàn)象得到明顯緩解。

2.5 基于特征與隱含神經(jīng)元個數(shù)選擇分類

通過表4可知，ELM三類睡眠分期模型最優(yōu)的隱含神經(jīng)元的個數(shù)在80至90之間。為了能夠進(jìn)一步提高睡眠分期模型的精確度，利用PSO算法在ELM睡眠分期模型進(jìn)行特征尋優(yōu)的基礎(chǔ)上增加對隱含神經(jīng)元個數(shù)的尋優(yōu)，尋優(yōu)過程見表8所列。對比表6和表8的結(jié)果可以看到，對隱含神經(jīng)元個數(shù)進(jìn)行進(jìn)一步尋優(yōu)后，ELM睡眠分期模型的整體精度從86.28%提升至87.11%，測試集與訓(xùn)練集間的誤差從3.72%降低至3.41%。雖然變化不大，但仍然可以說明利用PSO算法優(yōu)化ELM睡眠分期模型的有效性。

表8 PSO尋優(yōu)ELM特征參數(shù)和隱含神經(jīng)元個數(shù)過程

此外，表9給出了在4種不同睡眠分期狀態(tài)下，SVM睡眠分期模型、PSO-SVM睡眠分期模型、ELM睡眠分期模型以及PSO-ELM睡眠分期模型之間的對比。實驗證明，無論是在哪種睡眠分期狀態(tài)下，利用PSO算法對SVM睡眠分期模型和ELM睡眠分期模型進(jìn)行優(yōu)化后，均可提升模型的精確度，并且能夠有效緩解過擬合現(xiàn)象。

表9 4種睡眠分期模型對比

2.6 模型對比

從上述實驗可知，PSO-ELM睡眠分期模型具有優(yōu)秀的表現(xiàn)力，以三類睡眠分期的PSO-ELM模型為基礎(chǔ)，與已有的基于心電和呼吸信號的睡眠分期方案進(jìn)行比較。為保證實驗的有效性，使用在同一數(shù)據(jù)集下的數(shù)據(jù)，用文獻(xiàn)中提出的不同方法對ECG信號和呼吸信號的特征進(jìn)行提取和建模，并與本文所提方法相比較，結(jié)果見表10所列。許良[9]提出用HMM-BP模型對睡眠進(jìn)行分類，這種方法在睡眠的NREM期能得到較好的判別效果，但在REM期的表現(xiàn)不佳。李濤[10]利用LSSVM的方式對所提取特征進(jìn)行建模分類，這種分類方式在睡眠的NREM期表現(xiàn)不錯，準(zhǔn)確率達(dá)86.58%，但在WAKE期和REM期的準(zhǔn)確率均不超過80%。本文提出的PSO-ELM睡眠分期模型在WAKE期、REM期以及NREM期的準(zhǔn)確率均超過80%，NREM期的準(zhǔn)確率達(dá)88.96%。由此可以看出，PSO-ELM睡眠模型相比較現(xiàn)有睡眠分期方案具有一定優(yōu)勢。

表10 不同睡眠分期方案比較

3 結(jié) 語

睡眠分期是研究睡眠障礙和相關(guān)疾病的重要客觀指標(biāo)，為提高睡眠分期模型的準(zhǔn)確率，本文提出了基于粒子群優(yōu)化極限學(xué)習(xí)機(jī)的睡眠分期方法。實驗結(jié)果表明，粒子群優(yōu)化算法結(jié)合極限學(xué)習(xí)機(jī)對數(shù)據(jù)特征進(jìn)行尋優(yōu)，并對ELM的輸入權(quán)值和隱含層神經(jīng)元的閾值進(jìn)行尋優(yōu)，這種方法相比ELM模型而言，在睡眠分期的準(zhǔn)確率上均占有明顯優(yōu)勢，并且在一定程度上能夠緩解模型的過擬合現(xiàn)象，是一種有效的睡眠分期模型，具有良好的應(yīng)用前景。