一种新的全自动随机森林睡眠分期算法
摘要：快速动眼期(REM)睡眠行为障碍被认为是α-突触核蛋白病的前驱期。其诊断需要仔细检测快速眼动睡眠，金标准人工睡眠分期不一致且昂贵。这项工作提出了一种新的自动睡眠分期模型，仅使用脑电图(EEG)和电描记术(EOG)记录来为这种应用增加强大的自动化。公开可用的ISRUC-Sleep数据库用于优化所提出模型的设计。该模型在由100名有不同睡眠障碍证据的受试者组成的亚组中进行训练和测试，多导睡眠图数据由两名专家手工评分。我们将EOG和脑电图记录划分为以3s为步长的重叠运动33-s时期，并为每个时期计算了几个时域和频域特征。这些特征被用来训练随机森林分类器，该分类器能够用觉醒、快速眼动和非快速眼动的概率来标记每个33秒的时期。计算10个33s期的概率值的平均值，选择概率最高的睡眠期对30s期进行分类，并与人工分期睡眠图进行匹配。使用20倍交叉验证方案测试了模型的性能。当评分者同意的时期被使用时，分类达到了92.6%的总准确率和0.856的科恩kappa。
数据集：葡萄牙科学技术基金会(PFST)的公开数据集被称为ISRUC-sleep，用于开发算法；
数据：使用了脑电图和EOG记录，特别是根据AASM规则的F3-A2、C3-A2、O1-A2、ROC-A1和LOC-A2。
**1.预处理：**四个不同的零相位四阶零相位巴特沃斯带通滤波器：区分不同频率脑电波；

8个四阶零相位巴特沃斯带通滤波器被应用于两个EOG通道：

2.特征值提取：快速傅里叶变换
特征值：**
**当睡眠专家手动给一个阶段打分时，会考虑相邻的阶段。这在算法中实现，以模拟手动睡眠阶段，并增加跨多个时期的一致性。因此，对于每个33秒的时期，来自30秒前的33秒时期的247个特征被添加到从当前时期计算的特征中。这导致每个33秒时期的[494x1]特征向量，包含来自连续66秒的数据。

3.特征值处理：归一化


4.特征分类：随机森林
其中200棵树和√M个特征被随机采样并在每次分割时进行替换，其中M对应于特征总数。
5.后处理：
对应于三个睡眠阶段的概率在十个相邻的时期被平均，产生包含这十个时期的平均概率的3×1向量。这在整个催眠图中进行，得到一个3×N的矩阵，其中N是30秒的阶段数。阶段被评分为产生1×N催眠图的概率最高的类别。
6.性能测量
为了评估算法的性能，进行了20倍的交叉验证。对于每个验证折叠，在每个睡眠阶段计算灵敏度、特异性和准确性。然后计算平均值和标准偏差，以显示数据集的总体表现和通过率。两个统计数据，总体准确性和科恩的kappa，被用来衡量评分者之间的一致。
结论：