基于贝叶斯相关向量机的脑电睡眠分期

摘要

针对支持向量机(SVM)计算复杂度高和参数不易确定的局限性,提出一种基于稀疏贝叶斯相关向量机(RVM)的脑电数据睡眠分期方法.给出二分类RVM的参数推理和优化,并确定了二叉树多分类RVM模型.基于8例健康成年人的MIT/BIH睡眠脑电实测数据,根据已有的专家人工睡眠分期注释,首先提取清醒期和睡眠各期脑电数据的样本熵值作为特征向量样本,然后利用二叉树多分类器法构建贝叶斯RVM睡眠分期模型,输入清醒期和各睡眠期样本进行训练和测试,最终实现各睡眠分期的模式分类.结果表明:在两种径向基核函数下,基于RVM的睡眠分期识别准确率最高达到89.00%,高于SVM方法(87.67%),且较SVM需要更少的支持向量数目及更短的测试时间,即RVM比传统的SVM具有更优的分类能力和更高的计算效率,是一种有效的睡眠分期识别方法.