Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân Tích Tín Hiệu EEG Để Phân Loại Các Giai Đoạn Ngủ Sử Dụng Học Máy
Tóm tắt
Việc phân loại tự động các giai đoạn ngủ được yêu cầu để khắc phục những hạn chế của việc phân loại giai đoạn ngủ bằng tay. Phân tích các giai đoạn ngủ một cách thủ công bằng cách sử dụng các tín hiệu thần kinh sinh lý và kiểm tra bằng thị giác là một quá trình rất khó khăn và tốn thời gian. Nhiều kỹ thuật đã được đề xuất trong hai thập kỷ qua. Các chuyên gia giấc ngủ và bác sĩ không có sự đảm bảo đối với các kỹ thuật này liên quan đến độ chính xác, độ đặc hiệu và độ nhạy. Mục tiêu của bài báo này là đề xuất một kỹ thuật hiệu quả cho việc phân loại giai đoạn ngủ dựa trên phân tích tín hiệu Điện não đồ (EEG) sử dụng các thuật toán học máy dựa trên 10 giây của các epoch. Tín hiệu EEG đã đóng vai trò quan trọng trong việc phân loại tự động các giai đoạn ngủ. Tín hiệu EEG được lọc và phân tích thành các băng tần tần số thông qua bộ lọc thông thấp. Các đặc trưng thống kê được trích xuất và huấn luyện với các thuật toán Cây Quyết Định, Máy Vector Hỗ Trợ và Rừng Ngẫu Nhiên với các tỷ lệ dữ liệu kiểm tra khác nhau. Kết quả cho thấy thuật toán Rừng Ngẫu Nhiên đạt độ chính xác 97,8%.
Từ khóa
#phân loại giai đoạn ngủ #tín hiệu EEG #học máy #Cây Quyết Định #Máy Vector Hỗ Trợ #Rừng Ngẫu NhiênTài liệu tham khảo
Pruncnal M, Polak AG. Effect of feature extraction on automobile sleep stage classification by artificial neural network. Metrol Meas Syst. 2017;24(2):229–40. https://doi.org/10.1515/mms-2017-2017-0036.
Vadala R, Deenadayalan H, Ranganathan L, et al. Appropriate BMI criteria for Indian population does it help stratify obstructive sleep apnea (OSA) patients better? Sleep Vigil. 2019;3:139–42. https://doi.org/10.1007/s41782-019-00069-1.
Almuhammadi WS, Aboalayon KAI, Faezipour M. Efficient obstructive sleep apnea classification based on EEG signals. Long Isl Syst Appl Technol. 2015. https://doi.org/10.1109/LISAT.2015.7160186.
Aboalayon KAI, Faezipour M, Almuhammadi WS, Moslehpour S. Sleep stage classification using EEG signal analysis: a comparative survey and new investigations. Entropy. 2016;18:272. https://doi.org/10.3390/e18090272.
Komada Y, Asaoka S, Abe T, Inoue Y. Short sleep duration, sleep disorders and traffic accidents. IATASS Res. 2013;37(1):1–7. https://doi.org/10.1016/j.iatssr.2013.06.001.
Yildrim O, Baloglu UB, Acharya R. A deep learning model for automated sleep stage classification using PSG signals. Int J Environ Res Public Health. 2019;16(4):559. https://doi.org/10.3390/ijerph16040599.
Supratak A, Dong H, Wu C, Guo Y. DeepSleepNet: a model for automated sleep stage scoring based on raw single-channel EEG. IEEE Trans Neural Syst Rehabil Eng. 2017. https://doi.org/10.1109/TNSRE.2017.2721116.
Liu G-R, Lo Y-L, Malik J, Sheu Y-C, Wu H-T. Diffuse to fuse EEG spectra-intrensic geometry of sleep dynamics for classification. Biomed Signal Process Control. 2020;55:101576. https://doi.org/10.1016/j.bspc.2019.101576.
Chambon S, Galtier MN, Arnal PJ, Wainri G, Gramfort A. A deep learning architecture for temporal sleep stage classification using multivariate and multimodla time series. IEEE Trans Neural Syst Rahabil Eng. 2018. https://doi.org/10.1109/TNSRE.2018.2813138.
Delorme A, Makeig S. EEGLAB: an open source tool box for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods. 2004;134:9–21.
Tzimourta KD, Tsimbaris A, Tzioukalia K, Tzallas AT, Tsipouras MG, Asktrakas LG, Giannakeas N. EEG based automatic sleep stage classification. Biomed J Sci Tech Res. 2018. https://doi.org/10.26717/BJSTR.2018.07.001535.
Qureshi S, Vanichayobon S. Evaluate different machine learning techniques for classifying sleep stages on single-channel EEG. In: IEEE 2017 Computer science and software engineering international joint conference, 12–14 July 2017, Nakhon Si Thammarat, Thailand. pp. 1–6. https://doi.org/10.1109/JCSSE.2017.8025949.
Saccá V, Campolo M, Mirarchi D, Gambardella A, Veltri P, Morabito FC. On the classification of EEG signal by using an SVM based algorithm. In: Esposito A, Faudez-Zanuy M, Morabito FC, Pasero E, editors. Multidisciplinary approaches to neural computing, vol. 69. Cham, Switzerland: Springer; 2018. pp. 271–278. https://doi.org/10.1007/978-3-319-56904-8_26.
Torse D, Desai V, Khanai R. Classification of EEG signals in a seizure detection system using dual tree complex wavelet transform and least squares support vector machine. Int J Image Graph Signal Process. 2018;10(1):56–64. https://doi.org/10.5815/ijigsp.2018.01.07.
Chen X, Wang B, Wang X. Automatic sleep stage classification for daytime nap based on hopfieldneural network. In Proceedings of the Chinese control and decision conference (CCDC), Guiyang, China, 25–27 May 2013. pp. 2671–2674. https://doi.org/10.1109/CCDC.2013.6561393.
Obayya M, Abou-Chadi F. Automatic classification of sleep stages using EEG records based on Fuzzy c-means (FCM) algorithm. In: Radio Science Conference (NRSC), 2014 31st National. 2014. pp. 265–272. https://doi.org/10.1109/NRSC.2014.6835085.
Guohun Z, Yan L, Wen PP. Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal. IEEE J Biomed Health Inform. 2014;18(6):1813–21. https://doi.org/10.1109/JBHI.2014.2303991.
Liang S-F, Kuo C-E, Hu Y-H, Cheng Y-S. A rule-based automatic sleep staging method. J. Neurosci. Methods. 2012;205(1):169–76. https://doi.org/10.1016/j.jneumeth.2011.12.022.
Ebrahimi F, Mikaeili M, Estrada E, Nazeran H. Automatic sleep stage classification based on EEG signals by using neural networks and wavelet packet coefficients. In: Proceeding of IEEE EMBC. 2008. pp. 1151–1154. https://doi.org/10.1109/IEMBS.2008.4649365.
Aboalayon KAI, Almuhammadi WS, Faeziour M. A comparison of different machine learning algorithms using single channel EEG signal for classifying human sleep stages. Long Isl Syst Appl Technol. 2015. https://doi.org/10.1109/LISAT.2015.7160185.
Karimzadeh F, Boostani R, Seraj E, Sameni R. A distributed classification procedure for automatic sleep stage scoring based on instantaneous electroencephalogram phase and envelope features. IEEE Trans Neural Syst Rehabil Eng. 2018. https://doi.org/10.1109/TNSRE.2017.2775058.
Maeda M, Takajyo A, Inoue K, Kumamaru K, Matsuoka S. Time-Frequency analysis of human sleep EEG and its application to feature extraction about biological rhythm. In: Proceedings of the SICE annual conference, Takamastu, Japan, 17–20 September 2007. pp. 1939–1944. https://doi.org/10.1109/SICE.007.4421304.
Memar P, Faradji F. A novel multi-class eeg-based sleep stage classification system. IEEE Trans Neural Syst Rehabil Eng. 2018. https://doi.org/10.1109/TNSRE.2017.2776149.
Tripathy RK, Acharya UR. Use of features from RR-time series and EEG signals for automated classification of sleep stages in deep neural network framework. Elseivier Biocybern Biomed Eng. 2018. https://doi.org/10.1016/j.bbe.2018.05.005.
Koch H, Jennum P, Christensen JAE. Automatic sleep classification using adaptive segmentation reveals an increased number of rapid eye movement sleep transitions. J Res Pap. 2018. https://doi.org/10.1111/jsr.12780.
Fraiwan L, Lweesy K, Khasawneh N, Fraiwan M, Wenz H, Dickhaus H. Time frequency analysis for automated sleep stage identification in full term and preterm neonates. J Med Syst. 2011;35:693–702. https://doi.org/10.1007/s10916-009-946-2.