换一批摘要为了实现居家环境下的睡眠健康监测,提出基于可穿戴式单通道心电的不同睡眠阶段识别分析方法,研究了心电信号的27个心率变异性(HRV)特征分别在序列前向选择(SFS)、序列后向选择(SBS)和浮动序列前向选择(SFFS)3种不同方式下最优特征集的选取,设计了以堆栈式自编码器(SAE)建立的睡眠分期神经网络模型系统.结果表明:基于SFS-SAE的睡眠分期模型方法的分类效果最好,且相邻RR间期序列差值大于50ms百分比(pNN50)、相邻RR间期序列差值的绝对中位差(MADRR)和庞加莱散点图中椭圆短轴(SD1)3种HRV特征都能在此模型系统中有效用于各睡眠阶段的识别,在清醒-睡眠(WAKE-SLEEP)分类、非快速眼动-快速眼动(NREM-REM)分类和浅睡-深睡(N1N2-N3)分类下的平均准确率分别为82％、80％和81％,基本满足家用睡眠分期判别,可用于睡眠疾病的日常筛查,是对多导睡眠图睡眠分析方法的有效补充.
更多相关知识
关键词
睡眠分期心率变异性特征选择神经网络单通道心电信号sleep stageheart rate variabilityfeature selectionneural networksingle channel ECG signal
分类号
TP183
栏目名称
DOI
10.3969/j.issn.1671-024x.2023.04.013
发布时间
2023-10-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
天津市科技计划项目（18ZXRHSY00200）
天津市教委科研计划项目（2019KJ024）
- 浏览0
- 被引2
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
