基于气流信号的睡眠分期：利用持久性曲线的傅里叶近似
机器学习
2024-11-13 v1
摘要
睡眠分期是一项具有挑战性的任务，通常由基于患者在夜间睡眠期间采集的脑电图和其他生物信号手动完成。近期工作旨在利用基于生物信号的自动算法进行睡眠分期，而非依赖脑电图信号，更多地依赖气流信号。先前的工作使用拓扑数据分析（TDA）的思想，具体为持久性曲线的 Hermite 函数展开（HEPC）进行特征化。然而，有限阶的 HEPC 只能捕获部分信息。本 work 提出持久性曲线的傅里叶近似（FAPC），并使用该技术基于气流信号进行睡眠分期。我们在来自 Nationwide Children's Hospital Sleep DataBank（NCHSDB）的 1155 例儿童睡眠研究中使用 XGBoost 模型分析性能，发现 FAPC 方法提供了与 HEPC 方法互补的信息，使性能提升 4.9%。
引用
@article{arxiv.2411.07964,
title = {Sleep Staging from Airflow Signals Using Fourier Approximations of Persistence Curves},
author = {Shashank Manjunath and Hau-Tieng Wu and Aarti Sathyanarayana},
journal= {arXiv preprint arXiv:2411.07964},
year = {2024}
}