基于改进型粒子群算法和孪生支持向量机的睡眠分期方法技术

本发明专利技术涉及一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法。该方法以粒子群搜索算法和孪生支持向量机为基础，为粒子群搜索算法引入自适应增益反馈率和渐变随机扰动，并将改进型的粒子群优化算法与孪生支持向量机结合，构成一个高效高精度的自适应参数调整的分类器；以脑电信号各个频率段的能量变化为特征，对整夜睡眠过程中不同的睡眠状态进行分类识别。该分类器技术采用自适应参数整定策略，无需人为设置超参数，避免了人为认定超参数可能带来的经验误差，且不会出现局部最优参数，保证了数据的分类准确性。

Sleep staging based on Improved Particle Swarm Optimization and twin support vector machine

【技术实现步骤摘要】
基于改进型粒子群算法和孪生支持向量机的睡眠分期方法
本专利技术涉及计算机
，尤其是涉及一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法。
技术介绍
睡眠是人体所必需的生理活动，表现为身体对外界刺激反应能力的降低和意识的暂时中断。在觉醒状态下，人和动物能进行一系列的活动；而在睡眠状态下，人的身体和大脑会得到充分的放松，能够实现记忆巩固、机体复原和整合。正常状态下，以睡眠时间平均每天8小时计算，人类一生中约有三分之一的时间是在睡眠活动中度过的。因此睡眠与人的生活、工作之间有着非常密切的关系，其重要性仅次于呼吸和心跳，睡眠质量直接或间接地影响着人身体健康。睡眠充足时，人的身心能够得到充分的休整，而睡眠不足则会表现出情绪暴躁、压力增大、免疫力降低等；严重的还会加重疾病或诱发潜在疾病的可能，例如脑血管、心血管、高血压等，因此睡眠问题越来越受到社会的广泛关注。在国际上常用的睡眠分期R&K规则中，除了觉醒期(awake,W)外，整晚睡眠可分为非快速眼动期(Non-RapidEyeMovement,NREM)和快速眼动期。其中，NREM期根据睡眠的深浅还可分为4个时期，分别为：浅睡眠期(Stsge1,S1)、轻睡眠期(Stage2,S2)、中度睡眠期(Stage3,S3)、深度睡眠期(Stage4,S4)。2007年，美国睡眠医学学会推出了最新的整晚睡眠分期标准，其中将S3、S4期合并为一个睡眠期，即慢波睡眠(Slow-waveSleep,SS)。睡眠分期即为对睡眠过程中睡眠状态的判读，是临床上对睡眠质量评估和睡眠相关疾病诊断治疗的重要依据。长期以来，睡眠分期主要是由有资质的专家医师人工完成。正常状态下，人的整晚睡眠时间为7-8个小时，产生的睡眠特征数据量十分庞大，由人工进行标记睡眠数据，费时费力；而且由人工判读的结果存在着很大的主观性，容易受医师的经验、环境等因素的影响，导致分类结果不准确。因此，近年来越来越多的研究者致力于设计一种准确且可靠的睡眠自动分期算法代替人工工作，用来实现睡眠状态的自动分期，以减轻人工工作量，同时保证分类结果的客观性。由此可见，实现睡眠的自动分期具有十分重要的现实意义。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法。本专利技术的目的可以通过以下技术方案来实现：一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，该方法包括以下步骤：步骤1：记录睡眠过程脑电信号，并对原始脑电信号进行预处理；步骤2：对预处理后的脑电信号，分频段并提取频域特征，构建总的数据集；步骤3：将多分类任务转化为多个二分类任务，依次根据不同的二分类任务，将数据集进行相应的重构；步骤4：初始化作为分类器的孪生支持向量机的相关参数，并对作为搜索器的改进型粒子群算法进行参数整定，对重构的数据集实施分类任务，得到第一个二分类任务的睡眠分期判别结果；步骤5：将第一个二分类任务所对应的睡眠分期分离，继而实施第二个二分类任务，即返回步骤3进行循环直至完成所有的睡眠分期分类任务。进一步地，所述的步骤4中改进型粒子群算法中的位置更新，其具体描述公式为：式中，表示第i个粒子t次迭代的粒子位置，表示第i个粒子t-1次迭代的的粒子位置，表示第i个粒子t次迭代的行进步长，表示第i个粒子t次迭代的粒子速度。进一步地，所述的步骤4中改进型粒子群算法中的适应性增益，其具体描述公式为：式中，表示第i个粒子t次迭代的适应性增益，β为常系数，和分别表示第i个粒子t次和t-1次迭代的适应值。进一步地，引入历史增益率后，所述的第i个粒子t次迭代的行进步长，其具体描述公式为：式中，μ表示历史信息残留，为固定常数，β1、β2和β3分别表示第t次、第t-1次和第t-2次的适应值增益系数。进一步地，所述的步骤4中改进型粒子群算法中的渐变随机扰动，其具体描述公式为：式中，N为设置的最大迭代次数，t表示当前迭代次数，Accgbest表示全局最优适应值，Accpbest表示第i个粒子的个人最优解，T表示渐变随机扰动。进一步地，引入渐变随机扰动后，所述的步骤4中改进型粒子群算法中的速度更新，其具体描述公式为：式中，表示第i个粒子t次迭代的粒子速度，Vid表示第i个粒子当前速度，表示第t次迭代时第i个粒子的惯性系数，C1、C2表示加速常数，random(0,1)表示区间[0,1]上的随机数，Xid表示第i个粒子当前位置，Pid表示第i个变量的个体极值的第d维，Pgd表示全局最优解的第d维。进一步地，所述的步骤4中孪生支持向量机的决策函数，其具体描述公式为：Classj＝min|K(xT,ST)ωj+bj|,j＝1,2式中，Classj表示决策函数，K(xT,ST)表示核函数，ωj表示超平面法向量，bj表示超平面偏移向量。与现有技术相比，本专利技术具有以下优点：(1)本专利技术涉及睡眠问题相关诊疗应用中的一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，针对整晚同步采集获取的睡眠脑电信号特点，以粒子群搜索算法和孪生支持向量机为基础，为粒子群搜索算法引入自适应增益反馈率和渐变随机扰动，并将改进型的粒子群优化算法与孪生支持向量机结合，构成一个高效高精度的自适应参数调整的睡眠分期判别分类器，该分类器技术采用自适应参数整定策略，无需人为设置超参数，避免了人为认定超参数可能带来的经验误差，且不会出现局部最优参数，保证了睡眠分期判别的准确性。(2)本专利技术提供了改进型粒子群算法的孪生支持向量机分类器，并用其对睡眠数据进行分类任务。该方法解决了已有分类器例如SVM在对该数据进行分类任务时的参数调整难、速度慢等问题，在分类器的训练过程中，每一次参数搜索器都基于当前分类效果进行参数调整，同时，该分类器可以在对睡眠数据的分类中，跳出局部最优参数，进一步提高了分类性能。附图说明图1为本专利技术中改进粒子群搜索算法的算法效果对比图，其中图1(a)为针对Girewank函数的各个算法效果对比图，图1(b)为针对Ackley函数的各个算法效果对比图，图1(c)为针对Rosenbrock函数的各个算法效果对比图，图1(d)为针对Sphere函数的各个算法效果对比图；图2为本专利技术基于改进型粒子群算法和孪生支持向量机的睡眠分期方法的总体流程图；图3为本专利技术实施例的睡眠数据分类效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。本专利技术提供了基于改进型粒子群算法的孪生支持向量机分类器，由参数搜索器与超参数分类器两部分构成。其中参数搜索器本文档来自技高网...

【技术保护点】
1.一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，其特征在于，该方法包括以下步骤：/n步骤1：记录睡眠过程脑电信号，并对原始脑电信号进行预处理；/n步骤2：对预处理后的脑电信号，分频段并提取频域特征，构建总的数据集；/n步骤3：将多分类任务转化为多个二分类任务，依次根据不同的二分类任务，将数据集进行相应的重构；/n步骤4：初始化作为分类器的孪生支持向量机的相关参数，并对作为搜索器的改进型粒子群算法进行参数整定，对重构的数据集实施分类任务，得到第一个二分类任务的睡眠分期判别结果；/n步骤5：将第一个二分类任务所对应的睡眠分期分离，继而实施第二个二分类任务，即返回步骤3进行循环直至完成所有的睡眠分期分类任务。/n

【技术特征摘要】
1.一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，其特征在于，该方法包括以下步骤：
步骤1：记录睡眠过程脑电信号，并对原始脑电信号进行预处理；
步骤2：对预处理后的脑电信号，分频段并提取频域特征，构建总的数据集；
步骤3：将多分类任务转化为多个二分类任务，依次根据不同的二分类任务，将数据集进行相应的重构；
步骤4：初始化作为分类器的孪生支持向量机的相关参数，并对作为搜索器的改进型粒子群算法进行参数整定，对重构的数据集实施分类任务，得到第一个二分类任务的睡眠分期判别结果；
步骤5：将第一个二分类任务所对应的睡眠分期分离，继而实施第二个二分类任务，即返回步骤3进行循环直至完成所有的睡眠分期分类任务。


2.根据权利要求1所述的一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，其特征在于，所述的步骤4中改进型粒子群算法中的位置更新，其具体描述公式为：



式中，表示第i个粒子t次迭代的粒子位置，表示第i个粒子t-1次迭代的的粒子位置，表示第i个粒子t次迭代的行进步长，表示第i个粒子t次迭代的粒子速度。


3.根据权利要求1所述的一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，其特征在于，所述的步骤4中改进型粒子群算法中的适应性增益，其具体描述公式为：



式中，表示第i个粒子t次迭代的适应性增益，β为常系数，和分别表示第i个粒子t次和t-1次迭代的适应值。


4.根据权利要求2所述的一种基于改进型粒子群算法和孪生支持向量机的睡眠分期方法，其特征在于，引入历史增...

【专利技术属性】
技术研发人员：王蓓，顾吉峰，于莹，刘静博，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31