一种用于基于EEG的睡眠障碍检测的集成深度学习框架

睡眠障碍需要准确且及时的检测，以支持有效的诊断和干预。然而，基于EEG的睡眠障碍检测面临诸多挑战，原因包括噪声、信号变化，以及难以提取有信息量的特征以实现可靠分类。为解决这些局限，本文提出了一种创新框架，称为基于增强批归一化的并行卷积神经网络睡眠障碍检测框架（EB-PSDD）。该流程首先从CAP睡眠数据库获取EEG信号。随后采用自适应加权移动平均滤波（AWMAF）技术进行预处理，有助于降低噪声并平滑信号，确保其适合分析。在下一阶段，使用改进窗口S变换（MWS-T）、交叉相关熵和共空间模式（CSP）等方法提取特征，从而能够识别EEG信号中的有信息量特征。在分类方面，采用了一种混合深度学习模型——混合LeNet-PCNN（HLNet-P）。该模型将经典的LeNet架构与基于增强批归一化的并行卷积神经网络（EBN-PCNN）相结合，以准确分析所提取的特征并检测睡眠障碍的迹象。最终输出指示是否存在睡眠障碍，从而实现及时检测和干预。实验结果表明，所提出的EB-PSDD框架优于传统方法，最高准确率达到0.949，精确率为0.799，阴性预测值（NPV）为0.971。

中文由 AI 翻译，仅供参考，以原文为准。