MSE-PCA结合的脑电睡眠分期方法：提高自动分期准确率

"基于MSE-PCA的脑电睡眠分期方法通过结合多尺度熵和主成分分析技术，提高了自动睡眠分期的准确性和稳定性。这种方法针对传统自动睡眠分期方法的不足，利用MSE来表征脑电信号在不同睡眠阶段的非线性动力学特性，再通过PCA进行降维，保留关键特征，最后用BPNN分类器进行自动识别和分类。实验显示，此方法的自动分期准确率达到87.9%，kappa系数为0.77。" 在当前的睡眠医学研究中，由于睡眠问题引发的健康问题日益增多，自动睡眠分期已成为重要研究方向。相较于需要专家参与的人工睡眠分期，自动睡眠分期可以减少人为误差，提高效率。然而，现有的自动睡眠分期方法如样本熵(SE)、Hilbert-Huang变换(HHT)和离散小波变换(DWT)等存在各自的局限性，例如SE计算速度慢，HHT有端点效应和模态混叠，DWT难以捕捉非线性特征。 本文提出的MSE-PCA方法引入了多尺度熵(MSE)作为特征提取手段，MSE能够更全面地分析脑电图(EEG)信号的复杂性和动态变化，特别是在不同睡眠阶段的非线性特性。主成分分析(PCA)随后用于特征降维，这减少了数据冗余，同时确保了关键EEG特征的保留。通过选择PCA的前两个主成分向量，可以在保持信息量的同时简化数据结构，便于后续处理。 在数据处理后，使用反馈神经网络(BPNN)作为分类器，BPNN因其强大的非线性映射能力，适合处理复杂分类任务，尤其是脑电图数据。实验结果显示，MSE-PCA结合BPNN的模型在8例受试者的睡眠脑电数据上实现了高准确率的睡眠分期，平均准确率达到了87.9%，kappa系数0.77，表明该方法具有较高的稳定性和准确性，为自动睡眠分期提供了新的有效工具。 此外，该研究还指出，MSE-PCA的复合算法在自动睡眠分期领域的应用尚属首次，这为未来的研究开辟了新的途径，有助于进一步优化和提升睡眠分期的自动化水平，从而更好地服务于临床诊断和睡眠质量评估。