基于粒子群优化-支持向量机的睡眠呼吸暂停检测

摘要：

睡眠呼吸暂停(sleep apnea,SA)是一种睡眠障碍疾病,严重影响睡眠质量和身体健康.为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化-支持向量机(particle swarm optimization-support vector machine,PSO-SVM)方法,通过心电信号实现对SA的准确检测.首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后,通过PSO-SVM分类算法进行睡眠呼吸暂停检测.结果表明,筛选10个特征对SA进行检测,利用Apnea-ECG数据库通过PSO-SVM的检测准确率为94.0％,提升了现有方法的检测性能.

关键词：睡眠呼吸暂停、心电信号、粒子群优化、支持向量机

所属期刊栏目：22

分类号：R318(医用一般科学)

资助基金：吉林省科技厅科研项目;吉林省科技厅科研项目;吉林省教育厅科学研究项目;吉林省教育厅科学研究项目;吉林市科技局科技项目

在线出版日期：2023-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：14644-14651