摘要

为了提高睡眠分期模型的准确率和鲁棒性,提出了一种基于多特征融合与级联森林模型的睡眠脑电分期方法。首先采用小波阈值去噪对原始脑电信号(electroencephalogram, EEG)进行预处理,提取预处理后的EEG信号的时域特征和非线性特征共15个特征参数。再利用离散小波变换分解提取原始EEG信号的四种基本节律波(α波、β波、θ波、δ波),并计算四种节律波的偏度、峰度、均值、排列熵共16个特征参数,最终融合得到31个特征参数。然后采用互信息特征选择算法选择出与睡眠阶段高度相关的特征。将选择后的特征参数分别输入到级联森林、支持向量机(support vector machines, SVM)、逻辑回归分类算法中。按照AASM分期准则进行睡眠分期,比较和分析三种分类算法的分期效果。实验使用Sleep-EDF库中的数据进行测试,级联森林分期模型的准确率达到96.04%,SVM和逻辑回归的分期模型准确率分别为93.59%和84.85%。结果表明基于多特征融合与级联森林模型的自动睡眠脑电分期方法具有较好的分期效果。