基于EOG的睡眠分期研究

王丹丹，夏　斌

(上海海事大学， 上海 201306)



基于EOG的睡眠分期研究

王丹丹，夏斌

(上海海事大学， 上海 201306)

摘要：随着模式识别技术的发展与应用，睡眠自动分期方法正在逐渐取代手动分期研究。文章使用深度置信网络(Deep Belief Network, DBN)和长短时记忆递归神经网络(Long Short-Term Memory Recurrent Neural Network, LSTM-RNN)这两种方法对眼电(Electrooculogram, EOG)通道的数据进行睡眠自动分期。LSTM-RNN方法(平均准确率83.4%)相对DBN(平均准确率75.6%)在基于眼电信号的睡眠分期问题上取得了更好的效果。

关键词：DBN；LSTM-RNN；睡眠自动分期；EOG

引用格式：王丹丹，夏斌. 基于EOG的睡眠分期研究[J].微型机与应用，2016,35(13)：79-81.

0引言

睡眠与人的健康息息相关。充足的睡眠可以消除疲劳，保证日常生活的正常进行，但是由于生活节奏的加快和压力的增大，现代人通常都存在不同程度的睡眠障碍。有调查显示，成年人存在睡眠障碍的比例高达30%。睡眠障碍会导致大脑功能紊乱，对身体造成多种危害，严重影响身心健康。因此对睡眠状况进行研究，了解睡眠质量，可以及早地诊断和治疗隐藏疾病。睡眠分期是将睡眠过程分为不同的状态。根据参考文献[1]，睡眠过程分为三种状态：清醒状态(Awake)、非眼球快速运动睡眠状态(Non-Rapid Eye Movements, NREMS)和眼球快速运动睡眠状态(Rapid Eye Movements, REMS)。其中NREMS细分为四个状态：S1～S4，分别代表浅度睡眠、轻度睡眠、中度睡眠和深度睡眠。

睡眠分期的方法主要有两类：一类是基于R&K准则，需要经验丰富的专家对数据进行目测分类，这种方法不仅耗时费力，而且易受专家主观因素影响。另一类是睡眠的自动分期方法，其用模式识别算法自动对数据提取特征和进行分类。……