Loading AI tools
睡眠分期是从PSG监测到的生理信号中提取睡眠周期信息的过程。 来自维基百科，自由的百科全书
睡眠自動分期是指利用計算機算法或人工智能技術來對睡眠過程中的不同階段進行識別和分類的方法。睡眠分期是睡眠質量評估和睡眠相關疾病診斷的重要依據，但傳統的人工分期方法耗時費力，且存在主觀差異。因此，睡眠自動分期具有重要的臨床意義和研究價值，幫助醫生診斷睡眠障礙、提高睡眠質量、優化睡眠周期等。
 |
睡眠自動分期的基本原理是利用多導聯或單導聯的多生理信號（如腦電圖、心電圖、肌電圖等）作為輸入，提取信號的時域、頻域或時頻域特徵，然後使用機器學習或深度學習等算法來訓練和測試分類模型，最後輸出每個時段（通常為30秒）的睡眠階段標籤。睡眠階段的標準有多種，其中最常用的是美國睡眠醫學會（AASM）制定的標準，將睡眠分為覺醒、快速動眼期（REM）和非快速眼動睡眠（NREM）三大類，其中NREM又細分為N1、N2和N3三個階段。
睡眠自動分期的主要挑戰是如何處理信號的噪聲、干擾和不平衡性，以及如何提高模型的泛化能力和魯棒性。目前，已經有許多研究者提出了各種各樣的方法來解決這些問題，例如使用數據增強、特徵選擇、集成學習、卷積神經網絡、循環神經網絡等技術。這些方法在不同的數據集上都取得了一定的效果，但是仍然有改進的空間和潛力。
在臨床診斷上，睡眠分期主要由專家進行手工分期[1]，在分期過程存在主觀偏差和不一致性等，且整晚睡眠的時間較長，導致手工睡眠分期效率低且錯誤率高 。[2]人工分期會受到分期標準、個體差異、培訓指導[3] 等多方面的主觀或客觀條件的影響，而計算機進行的睡眠自動分期，不僅可以解決上述諸多問題，還可以將醫師從繁重的分期工作中解放出來。
睡眠分期是睡眠研究工作的基礎，所以快速準確地進行睡眠的自動分期就尤為重要。目前，進行睡眠自動分期主要有兩種辦法，一種是基於統計規則的睡眠自動分期，另一種是基於深度學習的端對端睡眠自動分期研究方法。
腦電信號的頻率一般在0.5~30 Hz。一般會按照頻率、波幅的範圍進行對腦電波進行分類，以此來表示睡眠過程中出現的各種特徵波形。典型的睡眠特徵波如下列表：[4]
如下：[5]
W期：在一個人的清醒狀態下，EEG通常有兩種表現，一種是低電壓混合波，頻率在16~25 Hz。第二種是α波。當α波出現而且占的比例高於50%時，就可以判斷這一時期是睡眠清醒期。即使沒有出現α節律或者說出現的α節律不清晰，但如果出現了清晰的眨眼或者閱讀性的眼球運動，或者快速的眼球運動，也就是不規律呈現尖峰狀的眼電運動，也可以判讀為清醒期。
N1期睡眠：這一時期的睡眠是清醒期到其他睡眠時期的過渡階段，也是睡眠時期出現體動後到再次入睡的過渡階段。當α波所佔的比例已經不超過50%，背景波是低波幅混合波的時候，就可以將此一時期判讀為N1期。如果沒有出現明顯的α波，但是出現了範圍在4~7 Hz的腦電波，或者是出現了顱頂尖波以及明顯的眼球運動，都可以判別是N1期睡眠。
N2期睡眠：這一時期的特徵是出現睡眠紡錘波以及非覺醒相關K複合波。當出現一個睡眠紡錘波或者K複合波，將此時期判讀為N2期睡眠。此一時期內，眼球運動已經很少，肌電活動已經比清醒時低很多。N2期結束之後如果出現了覺醒的情況，則判讀為N1期。
N3睡眠期：當δ波出現的比例高於20%，可判讀為N3時期，這一時期內，睡眠紡錘波可能持續出現，已經沒有眼球運動，肌電活動水平達到最低。
REM睡眠期：這一時期內，出現了低電壓的θ波，低頻率的α波(但是會比清醒時期的α波慢1~2 Hz)，並且會有一定數量的鋸齒波的出現 。[6]可以觀察到快速眼球運動。肌肉的活動水平則會達到整個晚上的最低水平。幾乎接近於一個平坦的狀態。總體來說，當出現了低波幅混合波，低的肌肉活動水平以及快速的眼球運動就可以將這一時期判讀為REM睡眠期。這一時期之後，可以過渡到W期或者N3時期，如果沒有出現慢速眼球運動，肌肉的水平依然是低狀態，繼續判讀為R期。睡眠時期與特徵腦電的關係如下表所示。[5]
| 期別 | 特徵波 |
| W | Alpha (8~13 Hz), Beta (12~30 Hz) |
| N1 | Theta (4~8 Hz) |
| N2 | Spindle (12~14 Hz), K Complex (1 Hz) |
| N3 | Delta (0.5~2 Hz) |
| REM | Alpha (8~13 Hz), Beta (12~30 Hz), Sawtooth Wave (2~6 Hz) |
腦電(electroencephalogram, EEG)信號是大腦內同步神經元活動產生的微伏級電信號，其波幅一般不會超過200 uV，包含生理和行為兩方面的特徵信息 。[7]
十九世紀之前，睡眠的研究幾乎處於空白狀態。到了十九世紀，各種睡眠理論開始湧現，腦電圖等電生理技術被應用於睡眠研究。1928年，德國學者發現人在睡眠狀態和覺醒時，其腦電信號的變化節律不同。[8]1937年，基於腦電圖，睡眠被分為5個時期。
1953年，Aserinsky和Kleitman發現了睡眠中眼球的快速轉動，即快速眼動睡眠期(Rapid Eye Movemrnt, REM)被發現。隨後，為了能夠對睡眠進行定量分析研究，R&K標準被制定。這一標準由Rechtsehafen與Kales於1968年提出。R&K標準對睡眠中出現的6個階段進行劃分。除了清醒期(Wake, W)，睡眠可以分為快速眼動睡眠相(Rapid Eye Movemrnt, REM)和非快速眼動睡眠相(Non-Rapid Eye Movement, NREM)。其中，非快速眼動期又可以分為睡眠一期(S1)到睡眠四期(S4)四個時期。其中S1和S2為淺睡眠，S3和S4為深睡眠。
目前國際上普遍採用2007年美國睡眠醫學會(The American Academy of Sleep Medical, AASM)修正過的R&K睡眠分期標準——AASM睡眠分期標準並正式發佈於《睡眠及相關事件判讀手冊》。該手冊首次規範化了睡眠相關規則術語和判別方法，這具有劃時代的重要意義。這一判讀標準將原有的六個睡眠時期變更為5個 。[9]將睡眠過程修改為清醒期(W)、淺睡期(N1、N2)、深睡期(N3)、和快速眼球運動期(REM) 。[10]
一個神經元的電位變化很微小，但是大量的神經元細胞在同一時間發生變化，就會形成明顯引發大腦皮層的電位變化，出現明顯腦電信號。[11]通常情況下，腦電信號的波幅最大不會超過100 uV，這是一種極其微弱的信號。
因此腦電信號的監測需要特定的專業設備獲取。專業醫學領域，通常使用多導睡眠記錄儀來完成這項工作。現階段市場上的睡眠記錄儀有很多，但是基本結構大同小異，一般由電極、信號放大器、存儲器以及顯示屏等組成。
在臨床應用中，通常使用多導睡眠儀(polysomnography, PSG)收集和記錄患者的整晚腦電信號。PSG的電極放置採用國際標準的10~20系統電極放置法 [12]，即首先確定鼻根到枕骨部之間、兩隻耳朵左右方向之間的連線，兩條直線的交點是Cz電極，從鼻子根部往後量大概10%的地方是FPz (額部中線)電極，從FPz再向後量每一個20%都放置一個電極，依次定義位置Fz、Cz、Pz以及Oz。大多數研究者選擇FPz-Cz通道進行實驗，因為該通道包含的腦電信息更為豐富，是腦電記錄中的典型通道。
睡眠分期是從PSG監測到的生理信號中提取睡眠周期信息的過程。1968年，Rechtschaffen和Kales最早制定和出版了相對統一和標準的睡眠分期標準，即R&K判讀規則 [13]。它將睡眠分成了不同的階段：清醒期(wake, W)、非快速眼動睡眠(non rapid eye movement, NREM)、快速眼動睡眠(rapid eye movement, REM)。其中NREM又被分為I~IV期，分別代表睡眠由淺入深過程的不同階段。
常用於自動睡眠階段分期的公開腦電數據庫有六個。其中五個數據庫可從PhysioNet上免費下載 [14]
| 數據集名稱 | 獲取地址 | 簡介 |
| Sleep-EDF | https://physionet.org/content/sleep-edf/1.0.0/ （頁面存檔備份，存於互聯網檔案館） | 該數據集包含8例睡眠數據。擴展名為.rec和 .hyp的文件分別包含歐洲數據格式的原始腦 電信號及其註釋文件。 |
| Sleep-EDFx | https://www.physionet.org/content/sleep-edfx/1.0.0/ （頁面存檔備份，存於互聯網檔案館） | 該數據集包含197例睡眠腦電圖的數據，數據為EDF格式。包含來自Fpz-Cz和Pz-Oz電極位置的腦電信號、水平位置的眼電信號、肌電信號。 |
| SHHS | https://sleepdata.org/datasets/shhs （頁面存檔備份，存於互聯網檔案館） | 在SHHS中共有兩期數據，分別包含5793名和2651名受試者的原始多導睡眠圖數據。每個記錄都有一個信號文件(.EDF)和歷時註釋(.XML)。 |
| MIT-BIH | https://physionet.org/content/slpdb/1.0.0/ （頁面存檔備份，存於互聯網檔案館） | 該數據庫包含超過80小時的四通道、六通道和七通道多導睡眠圖記錄，每個記錄都有一個逐次註釋的心電圖信號，以及有關睡眠階段和呼吸暫停的EEG和呼吸信號註釋。 |
| ISRUC-Sleep | https://sleeptight.isr.uc.pt/?page_id=48 （頁面存檔備份，存於互聯網檔案館） | 該數據集包含100例病人的PSG數據。 |
| MASS | http://ceams-carsm.ca/en/MASS/ （頁面存檔備份，存於互聯網檔案館） | 該數據集包括200個完整夜晚的PSG記錄。包括腦電、眼電、肌電等信號。 |
近年來，深度學習技術的理論得到了極大的發展 [19] [20][21]，而且隨着計算機計算能力的加強以及GPU技術的出現，越來越多的深度學習項目取得了令人欣喜的成果[22][23] 。
在睡眠分期方面，各種不同的神經網絡也都取得了較高的分期準確率。由於睡眠腦電數據非平穩、非線性的特點[24]，傳統的機器學習方法需要研究人員在分期過程中進行干預，而神經網絡能夠很好地解決此類問題，因而越來越多的研究者將神經網絡技術應用於睡眠的自動分期任務中。神經網絡應用於睡眠分期時，輸入以及網絡結構是兩個重要方向。
在基於深度學習的睡眠自動分期方法中，分類器的輸入數據有兩種不同的情況，分別是輸入單通道的腦電數據，以及多通道的睡眠體徵參數，包括睡眠腦電數據、睡眠眼電數據、肌電數據以及呼吸數據等。其中，由於睡眠多導記錄儀會記錄多個通道的腦電數據，各研究者採用的通道也會有所不同。Imtiaz等人輸入單通道腦電數據設計了睡眠自動分期的可穿戴設備[25] ，Wei等人輸入腦電數據中的Fpz-Cz通道數據，得到了84.5%的分期準確率 [26]。
深度學習技術可以從訓練數據中自動提取數據特徵用於分類，並能隨着數據量的增加提高模型的性能，使其分類結果更加精確、高效，在自動睡眠分期研究方面取得了較好結果。
常用的基於深度學習自動睡眠方法包括3類：
卷積神經網絡(convolutional neural network, CNN)是至少具有一個卷積層的前饋神經網絡，主要有卷積層、池化層、全連接層組成，被廣泛應用於圖像處理領域。 [27] [28]卷積神經網絡在圖像識別、模式識別任務中表現優異 [29] [30] ，是現階段使用最廣的一種神經網絡。
一般情況下，CNN應用於二維或三維的矩陣，由於睡眠腦電數據是一維時間序列。Arnaud Sors等人 [30] 提出應用於睡眠分期的一維卷積網絡。在每一卷積層中，都包含了卷積操作和池化操作。其中，卷積層負責提取圖像中的局部特徵；池化層用來大幅降低參數量級；全連接層類似傳統神經網絡的部分，用來輸出想要的結果 [31]。相比其他神經網絡模型，卷積網絡的特徵提取能力更強，而且相對易於訓練。CNN也是最先應用於腦電信號領域的深度學習模型。[32]
由於腦電信號在採集過程中會使用多個通道，所以很多研究將多通道腦電信號映射為二維(two-dimensional, 2D)或三維(three-dimensional, 3D)圖像，以便於採用CNN進行模型構建。
Tsinalis等人構建具有兩對卷積層和池化層，兩個全連接層的CNN模型，結合Softmax函數，實現了正常睡眠階段的自動分期。[33]
Zhu等將注意力機制引入了CNN網絡中共同執行自動睡眠分期，模型使用Sleep-EDF數據集實現了93.7%的總體準確性。[34]然而，當對擴展的Sleep-EDFx數據庫中的EEG信號進行測試時，同樣的模型只獲得了82.8%的準確性。Zhang等構建具有五層CNN結構的神經網絡模型，使用臨床收集的數據集，實現了96%的總體準確性。[35]但是，這種準確性是通過使用私人臨床數據集實現的，當他們使用Sleep-EDF數據集評估模型的性能時，總體準確率達到了86.4%，這低於Zhu等的模型。為了避免因更有效的捕捉特徵而增加網絡深度引起的梯度消失問題，Zhu等和Cui等選擇使用層數較少的CNN模型，通過使用注意力機制和多尺度熵中的細粒度段來增加模型特徵提取能力，從而獲得較高的睡眠階段分類性能。[36]
在諸多的神經網絡之中，大部分網絡只有一個前向的傳播過程，數據向前流動。然而在睡眠分期的AASM規則中明確提到，各個睡眠時期之間並不是獨立的，每一個睡眠時期都與其之前和之後的睡眠階段相聯繫，所以一種能捕捉這種前後關聯關係的網絡被應用於睡眠的自動分期，這就是遞歸神經網絡。遞歸神經網絡捕捉睡眠時期的關聯性。Hsu等人 [37] 採用了遞歸神經網絡對睡眠進行自動分期。
該網絡是一個三層網絡結構，分別是輸入層、隱含層以及輸出層。在Hsu等人的實驗中，輸入層輸入的是提取的睡眠腦電的能量特徵，隱含層中由激活函數對輸入的特徵數據進行計算。最後一層是輸出層，輸出層輸出每一個輸入屬於某一睡眠時期的概率分佈，神經元的個數與睡眠時期數相同，並將輸入定義為概率最高的神經元。該網絡的分期最終準確率達到87.2%。
CNN雖然能充分挖掘數據的時頻域特徵，但無法提取數據間的時序特徵，而EEG信號是具有高度隨機性的非線性時間序列數據 [38]，不僅包含時頻域特徵，還包含時序特徵。多層神經網絡模型(recurrent neural network, RNN)正是用於處理時間序列數據的網絡，其在自然語言處理、機器翻譯等領域獲得了廣泛應用[39] [34][34]。多層人工神經網絡訓練集小、運算速度快同時又能很好地處理非線性以及非平穩信號，很適合應用於睡眠的自動分期任務之中。M. Emin Tagluk等人利用多層感知器神經網絡用來對睡眠進行自動分期。[40]
通常神經網絡由一個輸入層、一個輸出層和一個或多個隱藏層組成，這些隱藏層由神經元組成，這些神經元將前一層產生的輸出累加起來，再乘以神經元的加權向量。然後，每個單元或節點產生一個帶有非線性傳遞函數的輸出，稱為激活函數。
為了能夠充分利用腦電信號的時序信息，一些研究採用 RNN來構建自動睡眠分期模型。Hsu等採用Elman網絡結構，構建4層RNN網絡模型，成功地對睡眠的各個階段進行了分類，實現了模型最佳性能，總體準確率為87.2%。[41]然而由於傳統RNN模型容易產生梯度消失等問題，無法學習長期依賴關係，且訓練效率低下，所以研究者們大多使用RNN的變體網絡，如長短期記憶(longshort-termmemory, LSTM)網絡和雙向長短期記憶網絡(bi-directional long short-term memory, BiLSTM)等。這些網絡不僅能有效挖掘腦電數據中的時序特徵，還解決了梯度消失問題。Michielli等人提出了一個具有2個LSTM單元的級聯RNN網絡，獲得了類似的86.7%的精度。[38]BiLSTM是LSTM的一種變體，相比於單向LSTM而言，BiLSTM能夠同時利用過去時刻和未來時刻的信息，比單向LSTM獲得更準確的預測效果。這在自動睡眠分期過程中是合理的，因為專家在睡眠分期過程中，不僅要考慮這一幀的數據信息，還要考慮前後幀對其的影響。You等將BiLSTM應用於所提出的模型，將模型的整體準確率提高了約1%，達到了81.6%，所提出的模型的參數測量值僅為0.31 MB，是DeepSleepNet [42] 的5%，但其性能與DeepSleepNet相似。[41]Fu等人整合BiLSTM網絡，使用單一EEG通道獲得了總體83.78%的分類精度。[41]
上述的實驗方法都是單一神經網絡用於睡眠分期，然而，每一種單獨的網絡在有其優勢的同時，也會有一定的局限。最簡單的前向神經網絡訓練速度快、方法簡單，但是分期的準確率不高。卷積神經網絡能夠提取腦電信號的時頻特徵，然而卻不能挖掘出睡眠時期之間的關係。遞歸神經網絡雖然能夠挖掘各個睡眠時期的關係，但是其缺點也很明顯，一是特徵提取的不確定性，二是訓練速度慢，很難收斂，在數據量很大的時候需要很長的時間。 [43]
Akara Supratak等人提出一種新的用於睡眠分期的網絡：Deepsleepnet [9] ，該網絡用兩個卷積神經網絡來提取腦電數據的時頻特徵，使用長短時記憶神經網絡(Long-Short Term Memory Neural Network, LSTM) [44] [45]提取不同睡眠時期之間的關聯。
由於在訓練的過程中，長短時記憶神經網絡需要很長時間收斂，於是對網絡加入了一個預訓練的過程。首先在兩個卷積神經網絡之後加一個softmax層用於分類，進行預訓練。然後將訓練好的卷積神經網絡加上長短時記憶網絡。引入預訓練後，網絡的訓練速度大大提高。
DeepsleepNet網絡的分期總體準確率達到82.0%，是一個可以接受的結果，另外，由於該網絡的層數較少，對分期的結果有一定的影響，如果增加網絡的複雜性，準確率應該也會有所提升。為了充分利用卷積神經網絡在特徵選擇、提取方面的良好性能，循環神經網絡處理具有時序信息數據時的獨特優勢，進一步提高自動睡眠分期模型的性能，很多研究者提出了將兩者相結合的深度模型，這也是最近研究的熱點工作 [41][46] [41]。
Amelia等構建了包含三個卷積層和兩個LSTM層的深度學習模型，對低質量雙通道腦電數據的驗證準確率為74% (±10%)，在黃金標準PSG上實現了77% (±10%)的驗證準確率[47]。Zhao等 搭建一維CNN-LSTM模型，使用Fpz-Cz通道獲得了93.47%的分期準確率[41]。為了在特徵提取中充分考慮局部特徵，並且區分關鍵和非關鍵局部特徵的重要性，Tingting等 在由CNN和BiLSTM組成的CAttSleepNet模型中加入了注意力機制，加強EEG信號局部和全局上下文相關性特徵，在Sleep-EDF和Sleep-EDFx數據集上均獲得了優於其它模型的實驗結果[48]。
除去上面的網絡之外，楊鑫等人的雙向遞歸神經網絡的分期準確率達到了95% [49] ，魏良潔等人分別採用CNN以及CNN-LSTM模型的分期準確率都達到了80% [24]，張秀麗等人採用LSTM-RNN模型取得了81.2%的結果 [50]，
| 文獻 | 文獻類型 | 數據庫 | 預處理 | 網絡 | 準確率(%) |
| 1 [49] | 中文 | Sleep-EDF | 去除過多清醒期 | Bi-RNN | 95.0 |
| 2 [51] | 中文 | Sleep-EDF | × | CNN | 86.9 |
| 3 [52] | 中文 | 福建某醫院 | × | CNN | 82.0 |
| 4 [50] | 中文 | 圖賓根大學 | × | LSTM-RNN | 81.9 |
| 5 [53] | 中文 | Sleep-EDF | × | CNN-LSTM | 80.0 |
| 6 [37] | 英文 | Sleep-EDF | 濾波 | RNN | 87.2 |
| 7 [54] | 英文 | Sleep-EDF | × | 2CNN-LTTM | 82.0 |
| 8 [55] | 英文 | Sleep-EDF | × | CNN | 74.8 |
| 9 [40] | 英文 | 自行採集 | 濾波 | NN | 74.7 |
基於統計規則的睡眠自動分期方法中，研究的重點主要包括數據預處理、提取特徵、選擇分類器三個主要的過程。這種方法將研究的重點放在特徵和分類器的選擇方面。
在睡眠腦電的監測過程中，通常會受到心電、肌電、眼電以及環境噪音的影響 [56] ，為了能夠排除噪音對於睡眠分期結果的影響，需要對數據進行一定程度的預處理。在醫學研究中，關注的腦電頻率範圍在0.5~35 Hz之間[57]，低於或高於這一頻率範圍的腦電波通常被視為噪音處理，這些噪音會對睡眠分期的結果產生很大的影響。通常情況下，要對數據進行濾波操作。呂甜甜等[56]對腦電數據進行了降噪處理，採用「db4」小波對原始EEG進行7層分解，採用中值濾波法對呼吸信號進行去噪處理，得到較純淨的信號。葉仙等[57]對腦電數據進行濾波，濾波的帶通為0.5~35 Hz。Berg和scherg等人則採用主成分分析法去除睡眠腦電中的偽跡 [58] ，Lagerlund等人則對此技術進行了改進，使計算量大大減少 [59] 。Scott makeing等人將主成分分析法應用於去除偽跡，成功去除了干擾信號[60]。Jung等對比了幾種分析方法，結果證明，主成分分析法能夠有效去除各種偽跡 [61] 。
在基於統計規則的睡眠自動分期研究中，特徵的提取對於分期結果準確率有着很大的影響，選擇不同的特徵，分期的結果也會有很大的不同。生理信號的複雜度是目前階段抽取的主要特徵，包括腦電信號的近似熵、樣本熵、多尺度熵以及精細度多尺度熵等。
Koupparis等人結合短時傅里葉變換，提取睡眠腦電數據的時頻信息作為輸入，以半自動的方式有效地區分出W期、REM期以及N1期 [62]。劉慧等利用睡眠通道的模糊熵作為特徵進行睡眠的自動分期，分期的準確率達到了87.1% [63] ，範文兵等則選取了相對能量均值以及多尺度熵兩種特徵，取得了85.81%的分期準確率[64] ，周鵬等使用主成分分析法提取時頻特徵以及非線性動力學特徵，正確率達到89.9% [65]。See等則選用信號的樣本熵作為特徵輸入到分類器[66] 。Costa等人則發現多尺度熵能夠區分不同睡眠時期之下的差異性 [67] 。
上海交通大學的葉仙[57]等人選擇準確性和有效性都更高的精細多尺度熵方法解析睡眠過程中的腦電信號複雜度，並獲取通道信號的多尺度熵，以精細度多尺度熵為輸入特徵分類中，模型的總體準確率達到了85.3%。
上述方法提取的特徵是單個特徵，另一種思路是多個特徵的組合作為特徵。B.Koley等人選取了從時域、頻域到非線性特徵的39個特徵進行睡眠的自動分期 [68]。
在Koley等人[68]的實驗中，分別從時域、頻域以及非線性方向提取特徵。在時域特徵中，提取出從一階到四階的特徵，這些特徵分別是均值、方差、偏度以及峰度。這些特徵分別表示出了腦電數據的集中趨勢、離散度以及不對稱性和峰值 [69] [70] 。除此之外，腦電信號通過平均值參考線的次數定義為過零率 [71] ，這個特徵參數能很好區分睡眠紡錘波。Hjorth參數則反映了腦電信號的活動性和複雜性 [72][73] 。
在頻域方面，經過小波變換，不同頻率的特徵波的功率譜以及功率比 [74][75]。都取得了很好的結果。另一個有效的頻域特徵是韋爾奇譜估計。在非線性特徵中，有效性相關維度、李雅普諾夫指數、近似熵、去趨勢波動分析、Higuchi分形維數也都是典型的特徵 [76][77]。
除去上面所述的特徵中，在Koley的實驗中一共使用了39個不同維度的特徵，得到了85.72%的準確率。[68]
在基於統計規則的睡眠分期中，第一個重點是特徵提取，另一個重要步驟是分類器的選擇。常用的分類器有線性判別、貝葉斯方法、人工神經網絡以及支持向量機等幾種方法。其中人工神經網絡由於是一種與其他分類器明顯不同的方法，將在第四章中單獨介紹。
葉仙等人實驗中分類器選擇支持向量機(Support Vector Machine, SVM)[57] ，由於支持向量機的本質是一個二分類器，而睡眠分期的任務要完成五分類，所以設置了多層次SVM分類器。
Fraiwan等人選用隨機森林作為分類器 [78] ，隨機森林是通過構造多棵決策樹完成的，每一棵樹都會給出一個分期結果，最終的結果由所有樹的結果綜合而成。在隨機森林分類器中，每一棵樹都相當於一個弱分類器，隨機森林則是多個弱分類期組合而成的強分類器。構造隨機森林的步驟如下：首先，構造每一棵樹，構造樹的時候可以採用隨機樹、CART、C4.5等不同的決策。其次為每一棵樹準備訓練集，訓練集中的數據採用採樣的形式得到。然後訓練每一棵樹，對於每一棵樹，Fraiwan等人都輸入了四個不同的特徵，而且輸入特徵的過程是完全隨機的，這可以保證分類器對於噪音的敏感性降到最低。最後將所有的樹組合成為隨機森林分類器。隨機森林的輸出取決於每一棵樹的結果。Fraiwan等人的實驗取得了83%的分類準確率。
與支持向量機相似的一種分類器是相關向量機，與支持向量機相比，相關向量機的解更稀疏，泛化能力也能好。沈躍、劉慧等人利用相關向量機結合二叉樹的思想對睡眠進行自動分期，取得了比支持向量機更好的結果 [79] 。
在劉躍等人的實驗中，利用訓練數據集，訓練相關向量機的預測以確定向量機的核函數。由於標準的相關向量機適用於二分類任務，而睡眠的分期是一個多分類任務，與支持向量機的方法相似，採用二叉樹思想對睡眠階段進行逐層分期。
在劉躍等人的實驗中，只進行了四個時期的分期工作，其中不包含REM睡眠時期。以相關向量機作為分類器的分期準確率將達到89.00%。這個結果已經接近於人類專家的分期水平。
除上述方法之外，Weiss、Sirvan等人採用線性判別 [80] ，李谷等提取腦電信號不同頻段的能量特徵，使用最近鄰分類器，得到了81.7%的準確率 [81] 。
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
