[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

说明书

本发明提出一种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，涉及睡眠阶段分期的技术领域，获取心电图数据集，对其中的数据进行预处理，提取HRV特征，基于特征重要性，以重叠的方式进行特征选取，重要性程度高的HRV特征每次均作为重叠特征被选中，但重要性程度低的HRV特征不会丢弃，而是作为区域块数据输入，充分考虑HRV特征之间的区域空间相关性，有助于克服睡眠阶段数据不平衡性，从而提高了睡眠分类的准确性。最后利用广义决策森林模型进行睡眠阶段分期，避免当前随机森林结构中决策树所用的树结构会使树上层做错的决定蔓延到树的最后决定，从而导致最终结果出现错误，影响睡眠分期结果的精确度的现象发生。

技术领域

本发明涉及睡眠阶段分期的技术领域，更具体地，涉及一种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。

背景技术

睡眠是发生在人类身上的一个重要的、动态的、有规律的过程，是大脑活动的最重要的功能之一，在人类的生活中起着非常重要的作用。睡眠质量的好坏不仅影响工作效率，还影响身体和心理健康。早期进行睡眠质量监测和睡眠阶段分期，可有效预防睡眠障碍的恶化。

一个健康人的大脑在睡眠过程中会经历几种状态，即睡眠阶段。人体除清醒阶段外，睡眠一般分为两个期，即快速动眼阶段及非快速动眼阶段，第一阶段是非快速动眼阶段，在这一期的睡眠分为四个阶段，睡眠1阶段是睡眠潜伏期，睡眠2阶段是浅睡期，睡眠3阶段和睡眠4阶段均为深睡期，第二期就进入到快速动眼阶段，这一时期的睡眠，眼球在快速的左右转动，人体在这一期睡眠中做梦。

脑电图（EEG）、眼电图（EOG）和心电图信号的心律变异性（HRV）特征是常用于睡眠阶段分类的生物信号。基于这些信号，再结合随机森林决策是一种进行睡眠阶段分期的常用方法，如现有技术中公开了一种基于动态模态分解的睡眠阶段分类方法及系统，在睡眠阶段分类时，采用的是脑电信号和眼动信号，脑电信号结合水平眼电信号能更精准地识别睡眠的不同阶段，在采集脑电信号和眼动信号之后，对脑电信号和眼动信号进行数据增强处理，然后考虑脑电信号和眼电信号的发展过程均是非平稳、非线性的随机过程，对多通道及多采样点下的信号进行动态模态分解，最后结合随机森林决策出睡眠阶段分期结果。然而，一方面这些传统方法普遍需要选取多种不同类型的特征进行睡眠阶段分期且睡眠阶段分期效果并不显著，因此，除了选择可靠的特征进行睡眠阶段分期外，还需要优化睡眠阶段分期准确性；另一方面，由于每个人的睡眠阶段比例不同，收集到的睡眠阶段数据自然也是不平衡的，这也会导致睡眠阶段分期准确性降低。

此外，在睡眠阶段分期时，传统普遍采用的睡眠分期特征较多且数据量大，而传统随机森林决策模型通常采用单个特征作为其输入，因此，传统随机森林决策模型忽略了特征与特征之间的关联性，进而在全局上忽略了空间先验信息。而且，传统随机森林决策模型是以很多决策树组合而成的分类模型，决策树结构输出的决策结果只有一个，单一的决策结果导致可选择性少，进而限制了应用效果，影响睡眠阶段分期结果的精确度。并且，采用决策树的结构在树的上层节点属性划分错误时，树的下层节点也会出现错误，最终导致结果出现错误。

发明内容

为解决当前睡眠阶段分期的方式分类准确度低的问题，本发明提出了一种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，充分考虑特征之间的区域空间相关性，有助于克服数据不平衡性，适用性强，提升了睡眠阶段分类效果。

为了达到上述技术效果，本发明的技术方案如下：

一种基于特征重叠与广义决策森林的睡眠阶段分期方法，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；