基于粒子群优化极限学习机的睡眠分期方法

作者：吴振华; 邱倩

来源：物联网技术, 2021, 11(09): 30-37.

DOI：10.16667/j.issn.2095-1302.2021.09.010

• 睡眠分期
• 心电信号
• 呼吸信号
• 心肺耦合信号
• 粒子群优化算法
• 极限学习机

睡眠分期是诊断睡眠障碍等相关疾病的重要依据,如今对睡眠分期的检测不再局限于在专业的睡眠检测机构实现,人们在家中也可以实现,因此,如何提高睡眠分期检测的准确率已成为当前研究的热点。采用心电信号、呼吸信号以及心肺耦合信号进行特征提取,使用PCA和粒子群优化算法(PSO)进行特征选择,将PSO与极限学习机(ELM)相结合对睡眠进行分期,在二类分期上准确率可达91.38%,在三类分期和四类分期上准确率均超过80%,在六类分期上也可以达到76.63%。与隐马尔可夫与BP神经网络的混合模型(HMM-BP)、最小二乘支持向量机(LSSVM)等现有睡眠分期方案相比,文中方案具有一定的优势。同时还比较了支持向量机(SVM)和ELM方法对睡眠分期的准确率,结果均低于结合PSO后的SVM和ELM。实验结果表明,加入PSO算法能够缓解ELM模型过拟合的现象并提高模型对睡眠分类的准确率。

• 单位
  南昌航空大学