基于机器学习的睡眠质量评估分析研究

阅读量：

787

作者：

焦方方

展开

摘要：

睡眠对于人们的健康和幸福生活是必不可少的。对于各个年龄段的人们来说,好的睡眠有助于身体健康和精神世界的丰富。尽管人们身体健康的关键是每天有规律的睡觉时间和充足的睡眠,但是仍然有很多人会出现睡眠不规律和失眠的困扰。因此现在市面上出现了很多监测睡眠的可穿戴设备和智能手机可以随时监测到个人的睡眠情况。尤其是智能手机日渐成为一种健康设备,因为它里面有很多传感器并且人们每天都会随身携带,所以智能手机很适合长期的进行睡眠监测并对个人的睡眠质量进行评估。本文首先从在校大学生中随机招募了30名参与者,对其进行为期一个月实验数据的收集工作,但是由于一些参与者的日常操作不当,导致一部分的数据出现异常,此时通过数据预处理,删除有异常的数据,最后保留了12名参与者的数据进行实验分析。同时根据匹兹堡睡眠质量指数制作了睡眠质量调查问卷,作为实验结果的一个基准。本文然后对收集的数据进行特征构造,总共提取了13个特征。为了评估人们的睡眠质量(即区分人们通常是好的还是差的睡眠者),实验首先进行睡眠监测,然后再进行睡眠质量评估。根据构造的13个特征,进行特征选择,选择出最优的能够进行睡眠监测的特征。此时实验对比了朴素贝叶斯和C4.5决策树的分类性能,得出的结果是C4.5决策树的分类性能比较高,于是采用C4.5决策树进行特征选择及睡眠监测。本文在进行特征选择时,实验分别进行了单一特征分类性能的对比,两个特征组合的分类性能对比、三个特征组合的分类性能对比和四个特征组合的分类性能对比,并依次得出了不同情况下的特征最佳组合。最后利用C4.5决策树对比上述实验得出的四种特征最佳组合情况下的分类性能,实验得出在使用加速度变化的标准偏差、光强度的平均值和屏幕接近度的标准偏差这三个特征组合时,分类性能最优,因此实验选用这三个特征进行睡眠监测,将样本数据分为睡眠和醒来状态,同时得到睡眠时间、醒来时间和睡眠持续时间并进行了睡眠时间和睡眠持续时间预测的误差分析。本文最后根据选择出的睡眠时间、醒来时间和睡眠持续时间,利用机器学习中的有监督学习模型和无监督学习模型分别进行睡眠质量的评估。从实验结果中可以得出,使用有监督学习模型中的随机森林模型进行睡眠质量评估的效果比较好。

展开

关键词：

特征选择；睡眠质量评估；C4.5决策树；机器学习

学位级别：

硕士

DOI：

CNKI:CDMD:2.1018.119128