基于脑电信号的睡眠周期性交替模式（CAP）相位分类高效系统研究

为解决睡眠障碍早期诊断问题，研究人员开展区分 CAP 周期中相位 A 与相位 B 的研究。通过对 EEG 信号去噪、分频段处理及特征筛选，利用 kNN、SVM 等算法分类，发现 BT classifier 在平衡数据集表现最佳（83.29% 准确率、83.58% F-1 score），为临床应用提供新方案。

　　

脑电图（EEG）信号是分析睡眠模式的常用工具，在睡眠无意识期的 EEG 信号中可观察到周期性交替模式（CAP）。深入研究 CAP 有助于多种睡眠障碍的早期诊断，而首要任务是将 CAP 周期划分为相位 A 和相位 B。本研究开发了一种准确且易实现的系统以区分两种 CAP 相位：先对 EEG 信号去噪并分割为小段，通过零相位滤波将其分解至不同频率子带，从子带成分中提取统计特征后，利用 Kruskal-Wallis 检验筛选关键特征。研究采用 k 近邻（kNN）、支持向量机（SVM）、袋装树（BT）和神经网络（NN）四种算法进行分类，对包含健康受试者和失眠患者的数据集分析显示，BT 分类器在组合平衡数据集上表现最佳，准确率达 83.29%，F-1 分数为 83.58%。该方法较现有方案更精准高效，具备在实际场景中广泛应用的潜力。