[发明专利]基于特征重叠与广义决策森林的睡眠阶段分期方法及系统

权利要求书

1.一种基于特征重叠与广义决策森林的睡眠阶段分期方法，其特征在于，所述方法包括以下步骤：

S1.获取心电图数据集，对心电图数据集中的数据进行预处理；

S2.提取预处理后心电图数据集中的HRV特征数据，将HRV特征数据划分为训练集和测试集；

S3.计算训练集中HRV特征数据在基础随机森林中的重要性，并将重要性按降序排序，然后以重叠的方式进行HRV特征数据选取；

S4.搭建并利用训练集中以重叠方式选取的HRV特征数据训练广义决策森林模型，利用测试集检验广义决策森林模型，直至得到训练好的广义决策森林模型，用于睡眠阶段分期。

2.根据权利要求1所述的基于特征重叠与广义决策森林的睡眠阶段分期方法，其特征在于，心电图数据集中的每个记录均有RR间隔和注释数据，其中，RR间隔由心电信号连续两个R波之间的时差组成，注释数据为睡眠专家标记的每30秒记录一次的睡眠阶段；对心电图数据集中的数据进行预处理时，删除无效的心电信号数据，将RR间隔与对应的注释数据进行同步，一个注释数据能有多个RR间隔。

3.根据权利要求2所述的基于特征重叠与广义决策森林的睡眠阶段分期方法，其特征在于，在步骤S2中，提取的HRV特征数据包括HRV时域特征数据和HRV频域特征数据，HRV时域特征数据包括RR间隔的平均值AVNN、RR间隔的标准差SDNN、相邻RR间隔RMSSD的均方根、相邻RR间隔的差标准差SDSD、RR间隔大于50 msNN50的个数、NN50和RR间隔总和减去100pNN50、HRV三角指数、垂直于线轴SD1和沿线轴SD2的点的标准差、线轴SD1和线轴SD2的比值以及椭圆面积；HRV频域特征数据包括总功率TP、极低频范围内的总功率VLF、低频范围LF、高频范围HF、低频与高频的比值。

4.根据权利要求1所述的基于特征重叠与广义决策森林的睡眠阶段分期方法，其特征在于，睡眠阶段包括K个类别，分别为清醒阶段WAKE、快速动眼阶段REM及非快速动眼阶段NREM，设HRV特征数据f_j对应随机森林中的结点m属于第k个睡眠阶段的概率估计值为，k=1,2，...,K，f_j表示若干HRV特征数据中的第j个HRV特征数据；执行计算训练集中HRV特征数据在随机森林中的重要性的步骤，具体包括：

计算HRV特征数据f_j对应基础随机森林中的结点m的Gini指数，表达式为：

;

其中，表示HRV特征数据f_j对应基础随机森林中的结点m的Gini指数；

结点m分裂前后Gini指数变化量的表达式为：

;

其中，和/分别表示由结点m分裂的两个新结点l和r的Gini指数；

若HRV特征数据f_j在基础随机森林第i棵决策树中出现M次，则HRV特征数据f_j在基础随机森林第i棵决策树的重要性为：

;

HRV特征数据f_j在基础随机森林中重要性的计算表达式为：

;

其中，n表示基础随机森林中决策树的数量。