摘要
EEG arousals 和 睡眠的碎片化和白天的嗜睡有关。通常通过睡眠多导睡眠图(PSG)记录的目视检查来检测。这是一个非常耗时的工作，所以需要 自动的一套机制。提出了一套 信号处理 + 机器学习 的方法。 利用信号处理技术，经过信号调节的第一步后，在两个EEG 衍生图中 检测出了信号突变 和 信号放大事件，在 颏下的 电极上。。
如果这些事件同时发生，则使用 epoch 片段 进行分组。从每一组中提取一组特征（包括Hjorth 参数和 睡眠阶段），作为机器学习的 输入。 使用具有 20个PSG 记录的数据集，进行了 6个模型的比较：线性判别器、支持向量机、人工神经网络、分类树、k-最近邻和朴素贝叶斯。。
在分类误差和检测脑电图唤醒的能力方面，最好的模型是两种不同的组合方法：第一种方法遵循肖特利夫和布坎南的确定性因子模型，第二种方法遵循线性组合。对26种PSG记录进行实验，第一种方法灵敏度为0.78，特异性为0.89，误差为0.12，第二种方法灵敏度为0.81，特异性为0.88，误差为0.13。这两种方法都提高了单个模型的性能表现。这些结果还与两种著名的集成方法进行了比较：随机森林和k-近邻集成。同样，这些组合的方法显示出了最好的表现。
1. 简介
美国的 机构 The American Academy of Sleep Medicine (AASM) 定义 脑电图唤醒 为 脑电图频率的突变，包括 alpha theta， 和 大于16HZ的频率，并且要持续3秒，并且要在之前有 至少 10秒的稳定睡眠，此外，在快速眼动(REM)
开通VIP 解锁文章