利用多种生理信号自动检测睡眠期觉醒
计算机视觉与模式识别
2018-10-08 v1 信号处理
摘要
睡眠专家常规进行的睡眠期觉醒视觉评分是一项具有挑战性的任务，亟需自动化方法。本文提出一种自动检测睡眠期觉醒的算法。使用 Physionet/CinC Challenge 数据集，按受试者级别以 80-20% 划分分别创建内部训练集和测试集。训练集中每名受试者的数据被分割为不重叠的 30 秒 epochs。每个 epoch 中从 EEG、EMG、EOG、气流和 SaO2 提取共 428 个特征，并用于基于装袋分类树集成创建受试者特定模型，得到 943 个模型。为在测试集中标记觉醒与非觉醒区域，测试集数据被分割为 50% 重叠的 30 秒 epochs。来自不同患者特定模型的觉醒概率平均值被赋予每个 30 秒 epoch，随后创建长度与测试数据相同的样本级概率向量用于模型评估。使用 PhysioNet/CinC Challenge 2018 评分标准，内部测试集和盲测试集的 AUPRC 分别达到 0.25 和 0.21。
引用
@article{arxiv.1810.02726,
title = {Automatic Detection of Arousals during Sleep using Multiple Physiological Signals},
author = {Saman Parvaneh and Jonathan Rubin and Ali Samadani and Gajendra Katuwal},
journal= {arXiv preprint arXiv:1810.02726},
year = {2018}
}
备注
Computing in Cardiology 2018