李玉平, 夏　斌

(上海海事大学 信息工程学院，上海 201306)



样本不平衡的睡眠数据分期研究

李玉平, 夏斌

(上海海事大学 信息工程学院，上海 201306)

睡眠数据中各个阶段的样本数差异较大，睡眠数据的自动分期是一个典型的样本不平衡的机器学习问题。均衡样本方法通过抽样的手段来平衡样本，是解决样本不平衡问题的主要方法。采用均衡样本方法来平衡睡眠数据的不同阶段的样本，并且结合多域特征(时域、频域、时频域以及非线性)和随机森林分类算法进行分类预测。比较分析了样本均衡处理和非均衡处理的分类结果，发现均衡处理后的数据取得了更好的分类效果。

睡眠分期；数据不平衡；随机森林

引用格式：李玉平, 夏斌. 样本不平衡的睡眠数据分期研究[J].微型机与应用，2016,35(18)：55-57,61.

0　引言

睡眠是生命过程中必不可少且十分重要的生理现象。依据国际R&K标准[1]，睡眠期可分为快速眼动期、非快速眼动期(S1，S2，S3，S4)以及清醒期，区别分期主要以眼球是否进行了阵发性快速运动为标准。根据上述睡眠分期标准，睡眠数据可分为6类，且不同类别的数据量之间具有较大的差异性，即睡眠数据分期存在样本不平衡的问题。在应用机器学习研究睡眠分期过程中，样本不平衡会导致睡眠分期结果不准确，睡眠分期的可信度降低。在以前的睡眠分期研究中，研究的主要是睡眠数据特征的提取以及分类算法的选取[2-4]，并没有研究睡眠分期样本不平衡问题。本文采用EEG、EOG、EMG 3种信号5个通道的睡眠数据，研究中发现，EOG信号会出现在EEG信号的一些睡眠分期(如清醒状态和快速眼动状态)中，这种数据会对睡眠分期产生不好的影响[5]。……