我院BCI团队张建浩等在SCI期刊Intelligent Automation and Soft Computing发表学术论文

近日，华南师范大学软件学院脑机接口与混合智能团队成员张建浩等，在团队老师潘家辉（通讯作者）和王斐的指导下，在SCI期刊Intelligent Automation and Soft Computing（大类学科：计算机科学，小类学科：人工智能，影响因子：1.276）发表论文《Automatic Sleep Staging Based on EEG-EOG Signals for Depression Detection》。本研究在华南师范大学、广东省人民医院、华南理工大学等单位的共同合作和努力下完成，于2020年11月投稿，2021年3月在线刊登。

准确的睡眠分期是进行睡眠质量评价和相关疾病诊断的重要依据，而手工的睡眠分期方式有耗时、依赖医生的丰富经验等缺点。针对这一问题，本文作者利用基于多模态生理信号的脑机接口技术，提出了基于ICA-ReliefF的睡眠自动分期方法，并设计了睡眠自动分期系统。本文方法首先利用0.3~35Hz带通滤波以及独立成分分析方法对多通道的信号进行预处理，随后提取包括频谱特征、统计特征、Hjorth特征、最大最小距离等特征并采用过滤式特征选择算法ReliefF。针对睡眠分期领域数据少，样本量不大的情况，使用支持向量机进行训练及分类。在公共数据集Sleep-EDF中取得90.10 ± 2.68%的准确率，Kappa系数达到0.87 ± 0.04。另外，本文还尝试利用睡眠分期结果，提取包括睡眠、REM潜伏期、睡眠维持度等一系列睡眠模式信息，对抑郁症患者和健康对照组进行分类识别，实现抑郁症的自动诊断。在19名抑郁症患者和12名健康对照组的睡眠数据中取得95.24%的分类准确率。

本文的创新亮点有：1、本文提出的基于多生理信号的睡眠分期方法具有更好的性能。相比于单通道，采用多通道信号可以通过独立成分分析方法改善各个信号的噪声问题，此外，还有利于提取更多不同通道上的信号特征信息。2、针对抑郁症患者的睡眠数据，本文不仅是用作睡眠分期以验证算法的性能，更进一步地，本文利用其睡眠分期结果与将康对照组的结果进行分析，从不同的睡眠模式和睡眠规律来判断两者的不同之处，实现基于睡眠分期的抑郁症自动诊断，以满足医学领域中的实际需求。

本文的下载地址如下：

https://www.techscience.com/iasc/v28n1/41767/pdf

撰稿：张建浩

审稿：潘家辉