基于DWT的EEG睡眠分期：非线性SVM模型与特征优化

本文主要探讨了一种基于离散小波变换（Discrete Wavelet Transform, DWT）的脑电信号（Electroencephalogram, EEG）睡眠分期研究方法。研究者采用db8小波进行信号分解，通过获取分解后的细节分量作为信号的新表示形式，这些细节分量的能量被进一步作为特征输入到非线性支持向量机（Nonlinear Support Vector Machine, SVM）模型中。高斯径向基核函数（Gaussian Radial Basis Function, RBF）被选择来增强模型的非线性处理能力，以适应睡眠分期问题中的复杂模式识别。 传统的睡眠分期研究依赖于频率域特征如最小值、最大值、均值和标准差，以及非线性动力学参数，如排列组合熵和样本熵。然而，这些方法往往样本数量有限，导致模型泛化能力不足。其他研究尝试了Choi-Williams分布、连续小波变换和Hilbert-Huang变换等方法，结果显示CWT在特征提取上表现较好。然而，这些方法或未能细分非快速眼动深睡期，或者识别清醒期的效果不理想。 本研究通过DWT和SVM的结合，不仅实现了对睡眠四个阶段的分类，包括快速眼动期（REM）、浅睡期、非快速眼动期（NREM），而且还尝试区分非快速眼动睡眠的不同阶段。尽管清醒期识别率仍有提升空间，但整体上，该方法证明了在睡眠分期分析中具有较好的可行性和泛化能力，这在实际应用中对于评估睡眠质量、诊断相关疾病和个性化治疗具有重要意义。 值得注意的是，特征提取被认为是构建有效模型的关键步骤，正如文献[8]所示，通过结合EEG、眼电图（EOG）和肌电图（EMG）信号，深度信念网络(DBN)与特征提取相结合的方法提高了模型准确性。这表明，选择合适的特征提取技术对睡眠分期研究的精度至关重要。 总结来说，本文的工作为睡眠分期研究提供了一种新颖而有效的信号处理策略，通过离散小波变换和非线性支持向量机模型，有助于改进睡眠状态的自动识别和质量评估，对于改善人们的健康管理和临床决策支持具有潜在价值。