不借助机器学习从脑电图数据中提取连续睡眠深度
摘要：用无监督的数据分析方法研究人类睡眠阶段的聚类度 用于判断人类睡眠阶段的离散睡眠阶段被划分为可以通过经过训练的专家或机器学习系统在脑电图（EEG）和其他生物信号中识别出来。然而，尚不清楚这些人类定义的睡眠阶段是否可以通过无监督的数据分析方法重新发现，只使用少量的通用预处理。我们基于从睡眠人体主体的通宵记录的EEG数据，通过使用广义判别值作为量化的类别可分性度量来调查睡眠阶段的聚类程度。在原始数据中几乎没有聚类，即使在将每个30秒时段的EEG信号从时域转换为更有信息的频域之后也是如此。然而，对这些时段频谱进行主成分分析（PCA）显示，睡眠阶段在某些PCA分量的低维子空间中明显分离。特别是分量$C\_1(t)$可以作为稳健的连续“主变量”，编码睡眠深度，因此与“睡眠图”（一种随时间绘制的离散睡眠阶段的常见图形）强相关。此外，$C\_1(t)$ 在睡眠阶段恒定的扩展时间段内显示出持续的趋势，这表明睡眠可能更好地理解为一个连续体。$C\_1(t)$ 的这些引人注目的特性不仅与理解睡眠期间的大脑动态有关，还可以在私人和临床中利用低成本的单通道睡眠跟踪设备中。
作者：Claus Metzner, Achim Schilling, Maximilian Traxdorf, Holger Schulze, Konstantin Tziridis and Patrick Krauss
论文ID：2301.06755
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-01-18