基于SAD-PE的自动睡眠分期模型

针对众多睡眠分期模型在N1期分类准确度低的问题,提出一种基于符号化振幅差值和排列熵结合的睡眠自动分期模型。首先,对睡眠脑电基于符号化振幅差值(SAD)计算排列熵(PE);其次,将重构子向量的均值作为权重加入到排列熵计算,得到符号化振幅差值排列熵(SAD-PE),并给出影响SAD-PE特异性的尺度因子的计算模型;然后,对5 760个单通道睡眠脑电提取多域特征,并利用ReliefF算法计算32个特征的贡献度并降维;最后,利用随机森林进行睡眠分期。所提方法在睡眠五分类模式下,整体准确度保持较高水平,尤其对较难区分的N1期,分类准确度比用Energy Features&RNN模型提高了9.05%,为分析N1期与REM期相关的异态睡眠提供了新的思路,具有较好的应用前景。