李倩云，夏斌

（上海海事大学 上海　201306）

基于EEG的睡眠数据的分类

李倩云，夏斌

（上海海事大学 上海201306）

睡眠研究对于人的身心健康和工作生活有着重要的意义。睡眠过程中不同状态的标注，是睡眠研究的一个基础工作。本文采用单通道的脑电信号数据，将数据输入到深度置信网络中进行特征表达和分类学习。通过利用39个晚上的睡眠数据进行测试，达到了82.26%的平均分类准确率。

睡眠；深度学习；EEG；DBN

睡眠是人类不可或缺的一项生理活动，人的睡眠时间占到了人类生命的1/3。正常人每天的平均睡眠时间是7.5小时。良好的睡眠是保证人类身心健康和工作生活的基础。睡眠障碍会导致人产生焦虑，抑郁等精神问题，还会引起心血管、内分泌等疾病进而影响工作能力，甚至导致车祸等严重事件的发生［1］。目前在医学领域、生物工程领域甚至是交通运输、军事安全、航空航天等领域，睡眠研究已然成为一个热点［2-3］。本项目旨在对睡眠阶段的分类进行研究，这对于临床上疾病的预测、诊断和治疗的意义最为重大。

1953年，N.kleinllan和Aserinasky把睡眠状态划分为两种：非眼球快速运动睡眠状态（non-Rapid Eye Movements，NREMS）、眼球快速运动睡眠状态（Rapid Eye Movements，REMS）。后来，为了方便研究，进一步将NREMS细分为4个周期（浅睡眠期S1、S2，深睡眠期S3、S4），而REMS作为一个周期［4］。在睡眠过程中，这几个周期相继出现，周而复始。睡眠分类的研究是正确认知睡眠状态和诊断各种睡眠相关疾病的基础性工作。

睡眠脑电是睡眠进行分期研究的重要工具。传统的睡眠数据分类方法基于1968年Rechtschaffen和Kales的R&K准则以及2007年美国睡眠医学会的AASM准则，主要是由专家对连续的整夜数据进行目测分析，然后在对各个睡眠阶段进行划分。……