加载中…
个人资料
buyddr
buyddr
  • 博客等级:
  • 博客积分:0
  • 博客访问:6,412
  • 关注人气:2
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
相关博文
推荐博文
正文 字体大小:

AASM睡眠分期算法睡眠脑电EEG数据EEG信号

(2019-07-30 16:18:13)
AASM睡眠分期方面的研究已经许多年了,这方面的产品也逐渐开始有面市,AASM睡眠分期算法的重要性凸显。硬件工程师和算法工程师的努力至关重要,硬件工程师面临的挑战是信号质量,算法工程师面临的挑战是分期准确度。准确度如果能达到80%,应该算是满意的成绩了,在这方面有相当经验的算法工程师会认同这个说法,因为算法需要高质量的信号,但脑电采集到的信号有时因为各种因素并不如愿。算法工程师对于脑电睡眠分期算法的研究,大多数精力用在了找特征,而找特征往往需要大量高质量的数据,包括EEG脑电睡眠数据和准确的分期标签。许多论文提到过的一些脑电数据其实质量并不好,并且也不多,即使是医院内部也往往因为隐私保护制度导致很难拿到数据。虽然有不少论文表示其算法准确度达95%以上,但有过拟合的可能。对于产品来讲,除去本身硬件采集质量和分期算法的原因,用户在使用产品中有时会引入不确定的负面因素,这些问题的累积使得分期只能达到某个能容忍的准确度。分期之间有模糊地带,如N1/N2之间、N2/N3之间,对同一段脑电睡眠数据的分期有时会不同。一般来讲,清醒期最易检测。脑电数据需包括睡眠脑电数据和睡眠分期结果标签。

算法研究步骤是:
1. 将各例相同分期的脑电数据放在一起,对各分期的脑电进行特征参数提取
2. 运用特征参数对各例脑电数据进行睡眠分期,加以验证
3. 对实际产品的脑电数据加以验证,调整

以下是几个特征参数的结果与AASM睡眠分期结果的比较,这些图形没有为了效果而刻意选择或回避。可以想象到这些特征最后用SVM分类,是可以得到个结果来的。在SVM之前也许发现某些特征相关度大而考虑降维,但也许因为特征少而不考虑降维,这要通过验证才能确定的。横坐标是epoch序号(1 epoch = 30秒),纵坐标蓝线是参数数值,红线是专家分期:5-REM, 4-W, 3-N3,2-N2, 1-N1



AASM睡眠分期算法睡眠脑电EEG数据EEG信号

AASM睡眠分期算法睡眠脑电EEG数据EEG信号

AASM睡眠分期算法睡眠脑电EEG数据EEG信号

AASM睡眠分期算法睡眠脑电EEG数据EEG信号


AASM睡眠分期算法睡眠脑电EEG数据EEG信号

AASM睡眠分期算法睡眠脑电EEG数据EEG信号

AASM睡眠分期算法睡眠脑电EEG数据EEG信号

AASM睡眠分期算法睡眠脑电EEG数据EEG信号

如果把脑电特征作为控制信号,那么其可靠度不足,不过利用脑电判断睡眠质量却可尝试。分类模型可以考虑决策树,SVM及其变形,也可考虑用深度学习来做,显然是多分类模型,比照Keras的MLP示例,如出一辙。具体要考虑到准确度和实现难易。目前一些深度学习框架支持手机部署。
如果特征提取足够简单到采集端ARM能实现,可以放在采集侧,那么手机侧的APP或小程序只实现分类,采集端ARM功耗增大,但蓝牙传输数据锐减;反之,情况相反。数据量方面,脑电信号采样率一般200Hz~512Hz,一个采样数据(sample)用16比特表示,包信息(Type,Length等)可忽略,每秒8kbps以下,比蓝牙吞吐率至少低一个数量级甚至可以重复传多次降低通信丢包率。不过,睡眠几个小时下来数据总量是不小的。

0

阅读 评论 收藏 转载 喜欢 打印举报/Report
  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 电话:4000520066 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有