arxiv：2310.13754v1 [cs.cv] 2023年10月20日__

arxiv：2310.13754v1 [cs.cv] 2023年10月20日

可下载资源数量

已经购买

下载数量：1

单价	0 2.0
Coupon	100% 0%
Total	0 2.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2310.13754v1 [cs.cv] 2023年10月20日

¥ 2.0

热度

多肌术（PSG）在夜间收集生理参数，以分析患者的睡眠。此过程使用脑电图（EEG），电击图（EOG），肌电图（EMG），心电图，脉搏血氧仪，气流和呼吸努力。睡眠分期是从EEG，EOG和EMG电极确定的。额叶，中央和枕脑区域的电活动以及眼睛运动和下巴EMG用于确定睡眠阶段[26]。PSG睡眠评分是专家使用的一种常见方法，可监测人类睡眠的质量和数量以及诊断睡眠失误[17]。此过程涉及分析整个晚上的睡眠，分为30秒的时代，每个时期都归类为一组预定的睡眠阶段。最近的研究使用机器学习进行了自动睡眠评分。Silveira等人的研究。[29]使用随机森林（RF）用离散小波作为特征提取器进行睡眠评分。Hassan等人的方法。[11]根据单个EEG通道对睡眠阶段进行了分类，而[23]之类的研究根据单个EOG通道对它们进行了分类。此外，RF用于一系列与EEG相关的问题，例如早期癫痫发作检测[6]，人类精神状态分类[7]等。[29]之类的方法仅使用EEG通道数据。，但通过[14]提供的进一步分析，在使用各种类型的渠道时，分类性能没有改善。[35]使用RF和LightGBM作为机器学习算法来对睡眠阶段进行分类。考虑到人类自然衰老过程中睡眠中发现的变化，我们旨在分析这些变化如何影响我们的分类模型[16,33,18]，Zhou等人的文章。值得注意的是，他们将年龄作为分类任务中的功能。另一方面，[8,25]这样的论文分析了早期睡眠和晚期睡眠之间的差异，显示出很大的差异。在本文中，我们还试图分析这些变化如何影响训练有素的模型的性能。在这里，我们分析了一个睡眠评分模型，以评估年龄的效果以及早期（早睡，最初4个小时）和晚期（深夜，最后4个小时）睡眠的影响，对古典分类器在Epoch睡眠阶段的性能。为此，我们将小波用作特征提取器和RF作为分类器。结果，我们试图了解不同模型如何最适合每个问题的需求。

添加pdf代下载 VIP点击下载文件