探索睡眠动力学内在几何并基于无监督学习技术预测睡眠阶段
信号处理
2019-05-14 v1
摘要
我们提出一种结合现代调和分析工具的无监督新方法，用于睡眠动力学探索与自动标注。具体而言，我们应用基于扩散的算法——扩散映射 (DM) 与交替扩散 (AD) 算法，通过重新组织从非线性型时频分析工具同步压缩变换 (SST) 提取的脑电图 (EEG) 谱信息，来重构睡眠动力学的内在几何。可视化由 DM 与 AD 的非线性降维性质实现。此外，重构的睡眠动力学非线性几何结构使我们能够实现自动标注目的。隐马尔可夫模型被训练以预测睡眠阶段。预测性能在一个公开可用的基准数据库 Physionet Sleep-EDF [extended] SC* 与 ST* 上，通过留一被试交叉验证得到验证。总体准确率与宏 F1 在 Sleep-EDF SC* 中达到 82.57% 与 76%，在 Sleep-EDF ST* 中达到 77.01% 与 71.53%，与基于监督学习算法的最优结果相当。结果表明所提算法在临床应用中的潜力。
引用
@article{arxiv.1905.04589,
title = {Explore intrinsic geometry of sleep dynamics and predict sleep stage by unsupervised learning techniques},
author = {Gi-Ren Liu and Yu-Lun Lo and Yuan-Chung Sheu and Hau-Tieng Wu},
journal= {arXiv preprint arXiv:1905.04589},
year = {2019}
}
备注
41 pages, 21 figures. arXiv admin note: text overlap with arXiv:1803.01710