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。

matlab小实验源代码通过深度转移学习实现更准确的自动睡眠分期 该存储库在手稿中包含源代码，预训练的模型和实验设置： Huy Phan，OliverY.Chén，Philipp Koch，Longqing Long，Ian McLoughlin，Alfred Mertins和Maarten De Vos。 2020年8月IEEE生物医学工程学期刊（TBME） 使用Matlab进行数据准备： SeqSleepNet 将路径更改为seqsleepnet/ 运行preprare_data_sleepedf_sc.m制备SleepEDF-SC数据（必须被提供给数据路径，请参阅脚本征求意见）。 生成的.mat文件存储在mat/目录中。 运行genlist_sleepedf_sc.m以基于data_split_sleepedf_sc.mat拆分的数据生成SleepEDF-SC文件列表以进行网络培训。 生成的文件存储在tf_data/目录中。 运行preprare_data_sleepedf_st.m准备SleepEDF-ST数据（路径必须提供的数据指的是脚本注释）。 生成的.mat文件存储在ma

非接触式的睡眠生理信号监测和睡眠分期，范应威，徐礼胜，目的：研究和实现非接触式的睡眠监测系统，对判别睡眠事件、分期睡眠阶段和评估睡眠质量具有重要意义。方法：为了不使用在被试身

提出基于脑电信号（EEG）的睡眠分期研究。利用离散小波变换（DWT）的db8小波分解得到的细节分量作为信号新的表达，把各个细节分量能量作为特征，建立带高斯径向基核函数（RBF）的非线性支持向量机（SVM）模型。研究发现，其对睡眠分期研究的方案是可行的，满足模型对泛化能力的要求。

行业分类-机械工程-基于双级压缩机系统的控制器散热系统及其控制方法.zip

随着模式识别技术的发展与应用，睡眠自动分期方法正在逐渐取代手动分期研究。文章使用深度置信网络（Deep Belief Network, DBN）和长短时记忆递归神经网络(Long ShortTerm Memory Recurrent Neural Network, LSTMRNN)这两种方法对眼电(Electrooculogram, EOG)通道的数据进行睡眠自动分期。LSTMRNN方法(平均准确率83.4%)相对DBN(平均准确率75.6%)在基于眼电信号的睡眠分期问题上取得了更好的效果。

导师让找十几篇睡眠相关的文献，都是Q2、Q1的，有深度学习也有机器学习，看完深受启发，建议列个表格学习，更直观

针对传统的自动睡眠分期准确率不足问题，提出一种将多尺度熵（MSE）和主成分分析（PCA）联合使用的自动睡眠分期方法。以8例受试者睡眠脑电（EEG）监测数据及专家人工分期结果作为样本，首先使用MSE表征受试者脑电信号不同睡眠期的非线性动力学特征；然后使用PCA的前两个主成分向量代替MSE特征进行降维，实现降低数据冗余的同时保留绝大多数EEG非线性特征；最终将新向量的特征参数输入到反馈神经网络(BPNN)分类器中实现MSE-PCA模型的脑电睡眠状态的自动识别分类。实验结果表明，自动分期准确率可达到87.9%，kappa系数0.77，该方法能提高脑电自动睡眠分期系统的准确率和稳定性。

AASM睡眠分期规则AASM睡眠分期规则AASM睡眠分期规则AASM睡眠分期规则AASM睡眠分期规则AASM睡眠分期规则AASM睡眠分期规则AASM睡眠分期规则