基于心电和脑电多模态特征组合的自动睡眠分期方法研究.pdf

研究报告生命科学仪器 2023 第21卷/1期41作者简介：*叶建宏(1985-)，男，博士，北京理工大学信息与电子学院教授，主要研究领域为信号分析与处理、智能医疗与网络、疾病健康与脑科学。Email:chien-；基金项目：国家自然科学基金项目（62171028、62001026）；国家高层次人才基金项目（3050012222022）通讯作者：叶建宏(1985.11-)，男，博士，北京理工大学信息与电子学院，教授，E-mail:chien-作者简介：吕君同(2001.02-)，男，学士，E-mail:lyu_Abstract:Accurate sleep staging supports evaluating the quality of sleep,which plays an essential role in the clinical diagnosis and intervention of sleep disorders and related diseases.This study applied the multiscale entropy analysis and empirical mode decomposition to extract the information of nonlinear dynamics in multi-channel electroencephalogram signals during sleep,and employed heart rate variability including time and frequency measures,as well as the sample entropy in different scales for electrocardiogram signals.By applying the max-relevance and min-redundancy feature selection method and principle component analysis for dimensionality reduction,an efficient multi-modal features combination was constructed.The multi-modal features combination was then fed into multiple traditional machine-learning-based automatic sleep classification models,which achieved the highest accuracy of 84.05%and the highest kappa value of 0.7810 on the ISRUC-S3 dataset,indicating the high effectiveness and high precision of our multi-modal features combination in automatic sleep staging.Key words：automatic sleep staging;multiscale entropy analysis;empirical mode decomposition;heart rate variability;multimodal;Automatic Sleep Staging Method based on Electroencephalogram and Electrocardiogram Multi-modal Features Combination LV Juntong1,2,SHI Wenbin1,ZHANG Chuting1,LI Fan2,GUO Ruiqi1,CHEN Yichuan2,ZHOU Congrui2,YEH Chien-Hung1*(1.School of Information and Electronics,Beijing Institute of Technology,Beijing,100081；2.XUTELI School,Beijing Institute of Technology,Beijing,100081)摘要：准确的睡眠分期能够评估睡眠质量，在睡眠紊乱或疾病诊断干预中起关键作用。本文利用多尺度熵分析和经验模态分解方法获取多通道脑电信号于睡眠状态下的非线性动力学特征，利用心率变异度时频域指标及多尺度样本熵构建了心电信号睡眠特征。基于最大相关-最小冗余特征选择算法及主成分分析降维，实现了高效多模态特征组合构建。多模态特征组合驱动的多种传统机器学习自动睡眠分期模型在ISRUC-S3数据集上达到了最高84.05%准确率，Kappa系数最高为0.7810，表明所提出多模态特征组合的有效性及准确性。关键词：自动睡眠分期；多尺度熵分析；经验模态分解；心率变异度；多模态；中图分类号：R540 文献标识码：A DOI:10.11967/2023210206基于心电和脑电多模态特征组合的自动睡眠分期方法研究吕君同1,2，史文彬1，张楚婷1，李凡2，郭睿琦1，陈一川2，周聪睿2，叶建宏1*（1.北京理工大学信息与电子学院，北京，100081；2.北京理工大学徐特立学院，北京，100081）研究报告生命科学仪器 2023 第21卷/1期420 引言睡眠占据了我们一生中大部分时间。充足的睡眠能够消除并缓解心理和生理疲惫，对保持生理和心理健康起着至关重要的作用1,2。另一方面，长期低质量的睡眠会对我们的学习和记忆能力造成严重的损害3。随着睡眠障碍患者增多，人们对睡眠治疗的需求也在增加。其中，睡眠周期(如浅睡眠和深睡眠)规律对研究免疫系统、记忆、新陈代谢等生理过程具有重要指导意义4-6。即，准确的睡眠分期能够支撑临床专家更好地诊断和治疗睡眠障碍相关疾病。多导睡眠图(polysomnography,PSG)为一种临床常规电生理监测系统，为睡眠专家手工评分依据，由不同类型生理信号，即脑电图(electroencephalogram,EEG)、眼电图(electrooculargram,EOG)、肌电图(anelectromyogram,EMG)和心电图(electrocardiogram,ECG)组成7。通常，PSG记录被分为多个时长为30秒的片段，每个片段由睡眠专家手工评分，并被分为5个睡眠阶段，即清醒期(AW)、快速眼动期(REM)和非快速眼动期(N1、N2和N3)8。考虑依赖于睡眠专家人工判读的传统睡眠分期过程耗时，且高度依赖专家临床经验，发展一套高效稳定的自动睡眠分期方法至关重要。为了实现高精准自动睡眠分期，既往研究主要集中于两个方面，即融合深度学习方法实现睡眠分期，抑或提取可解释关键特征提高分类准确率。例如，Eldele等人9提出了一种基于注意力机制的双模块深度学习网络模型，并使用单通道脑电图信号作为数据进行睡眠分期。该模型在Sleep-EDF-20、Sleep-EDF-78和SHHS数据集中分别达到了84.4%、81.3%及84.2%的准确率，优于目前效果最好的模型(如DeepSleepNet10、SleepEEGNet11和ResnetLSTM12等)。其他文献采用类似序列结构13、混合卷积神经网络14或图卷积神经网络15，在睡眠分期任务亦表现了出色性能。上述研究表明深度学习方法在睡眠分类任务中的应用潜力，但考虑到深度学习模型长时间训练与大量数据支撑要求，鉴于关键分类预测指标可解释性于神经环路与机制探索的关键性，本研究分类模型围绕机器学习体系开展。另一方面，相较于深度学习方法，从电生理信号中提取具有特定生理或统计意义的关键特征进行睡眠分期，可简化复杂体系结构设计，同时大幅减少训练模型所需时间。许多研究提出了单模态分析方法，即基于单通道脑电信号提取统计特征、时域特征和频域特征，融合传统机器学习方法，如随机森林(random forest,RF)16、支持向量机(support vector machine,SVM)17,18、线性判别分析(linear discriminant analysis,LDA)19等进行自动睡眠分期，并达到了较好的效果。例如，Hassan等人20使用集成经验模态分解对EEG信号进行分解，提取了各种基于统计学的高阶矩特征。然后采用随机欠采样增强方法进行分类，整体准确率达到了88.1%，表明基于脑电信号的深度学习及机器学习自动睡眠分期方法在睡眠分期任务中皆表现出良好性能，近期研究中两类方法的性能对比如表1所示。此外，其他类型的电生理信号在睡眠周期中亦展现不同特征。例如，心电信号具有反演自主神经系统活动能力，可提取丰富信息。Long等人21提取了ECG信号中R-R间期的频谱特征，通过提高其频谱边界分辨率使清醒和睡眠状态得到更好区分，进一步提高了睡眠分类的准确性。上述结果表明，即使在小样本条件下，无论是基于EEG抑或ECG信号提取特征所驱动的传统分类器，其睡眠分期分类性能可达到较高水平。然而，仅利用EEG或ECG信号特征的单模态睡眠分期方法在N1阶段的分类表现较差，并且此类方法对不平衡数据集较为敏感。由于EEG和ECG信号在不同睡眠阶段具有相异、丰富、动态信息，在睡眠过程中提取和整合多模态信息可以更好地了解睡眠生理意义及其神经回路，进一步揭示睡眠生理机制，从而更好地提高睡眠分期精确度。为此，本文旨在利用时频分析及非线性动态分析方法，探索睡眠过程中心脑特征融合关键信息，构建多模态特征组合驱动的自动睡眠分类器，从而实现高有效性及高精准自动睡眠分期，为睡眠障碍相关疾病的临床诊断研究报告生命科学仪器 2023 第21卷/1期43提供进一步帮助。表1 基于深度学习及机器学习的自动睡眠方法比较Fig.1 Tab.1 Comparison of deep-learning-or machine-learning-based automatic sleep staging methods1 1实验数据1.1 数据获取本研究基于ISRUC-S3数据集开展22，该数据集包含10名健康受试者(性别:9名男性和1名女性;年龄:4010年)。每条记录包括6个通道的EEG信号，2个通道的EOG信号，3个通道的EMG信号和1个通道的ECG信号。所有EEG、EOG和EMG信号均以200 Hz的采样率进行采样。此外，根据美国睡眠医学学会8的指南，数据集内所有记录将被分为多个30秒片段，并由两位睡眠专家共同将这些片段人工判读为五个睡眠阶段，即清醒期（AW）、非快速眼动期(N1、N2和N3)和快速眼动期(NREM)。1.2 数据预处理由数据预处理是睡眠分期准确性得到保障的关键步骤，预处理结果好坏直接影响分期精准度。脑电信号预处理是进一步提取脑电信号特征的重要步骤。图1展示了脑电信号预处理的全过程。以受试者F3通道原始EEG信号为例，取其中代表性片段作为演示，如图1(a)所示，其包含大量伪迹片段。这些片段通常被认为是记录过程中的坏区，需要手动删除。原始EEG信号功率谱如图1（a）右侧所示，其低频处能量较大，这些低频伪迹通常被认为是由睡眠时肢体运动引起，需消除。为了消除噪声和伪迹，首先根据信号的幅值对大段噪声（坏区）进行人工去除。然后利用三次样条插值方法对单点噪声进行插值处理。最后利用0.5-40 Hz巴特沃斯带通滤波器，滤除低频和高频噪声。预处理数据的时域和频谱图如图1(b)所示。图1 脑电信号预处理流程图。（a）原始信号时域图及功率谱，从图中可以看出原始信号包含大段伪迹与低频噪声。（b）经过坏区去除、样条插值及带通滤波处理后信号时域图及功率谱，从图中可以看出时域中大段伪迹、功率谱中的低频及高频噪声均被消除。Fig.1 The workflow of EEG preprocessing.(a)Oscillation and power spectrum of the raw data,where there exist large segments of artifacts and low-frequency noises.(b)Oscillation and power spectrum of the data after contaminated segments removal,interpolation,and bandpass filtering.Large artifacts and noises at low and high frequencies were removed,which can be seen from the time series and the power spectrum.在心电信号预处理方面，本文采用QRS波群分析系统对ECG信号进行峰值检测提取R波，并根据R波位置计算RR波间期，如图2(a)所示。为了消除离群值影响，每个RR间期值与以该值为中心的21点矩形窗口内的平均值(mRR)进行比较。若该RR间期值小于0.5mRR或大于1.5mRR，则替换为研究报告生命科学仪器 2023 第21卷/1期44mRR，否则将保持不变，RR间期预处理结果如图2(b)所示。图2 心电信号预处理结果。（a）QRS波群检测系统提取RR间期序列。（b）RR间期序列预处理前后对比图Fig.2 The result of ECG preprocessing.(a)QRS complex detection system was used to extract the RR sequence.(b)Comparison of RR sequence before and after preprocessing step.2 方法2.1 多尺度熵分析多尺度熵分析方法是样本熵在多尺度分析上的一种扩展，它能够体现复杂信号在不同尺度下的混乱程度，主要用于非线性信号分析。由于EEG信号行为的不规则，熵分析方法适合用于测量EEG信号内部的混乱程度，并提供丰富的大脑活动信息23-26。当睡眠阶段发生变化，EEG信号有效带宽与信号幅值也随之改变。因此，熵分析方法能够很好地描述睡眠动态。为此，我们利用多尺度熵分析方法对睡眠EEG信号进行分析，获取EEG信号在不同睡眠阶段下，波段（0.5-4Hz）及波段（8-13Hz）的多尺度熵，构建脑电信号于全睡眠阶段下的特征指标。本研究将多尺度熵方法应用于预处理后的EEG信号，构建样本熵与尺度因子的关系曲线。计算该曲线下和频段面积，分别作为特征完成分类。样本熵参数嵌入维数设置为m=2,相似容限设置为r=15%的信号标准差。此外，多尺度熵分析方法亦能很好地评估心率变异度（heart rate variability,HRV）的非线性动力学，从而量化多时间尺度下睡眠HRV复杂程度23,24。因此，本实验也将多尺度熵分析方法应用于ECG信号特征提取。为了满足数据长度要求，首先利用三次样条插值方法以4Hz采样频率对RR间期进行插值27,28。之后计算RR间期在尺度因子1-20下的多尺度熵，得到样本熵与尺度因子间关系曲线。与此同时，短(1-5)和长(6-20)尺度因子的RR间期多尺度熵归类研究。以1-5、6-10、11-15、16-20、1-20尺度因子范围内的熵值，即对应尺度范围内曲线下面积作为分类特征。样本熵参数嵌入维数设置为m=2,相似容限设置r=25%的信号标准差。2.2 固有模态函数由于不同睡眠阶段脑电信号频率成分不同，对这些成分研究有助于从频域角度更好地区分各个睡眠阶段。为了提取有效分量，本研究采用经验模态分解，将信号分解为多个基本信号，这些基本信号称为固有模态函数(intrinsic mode functions,IMFs)29。利用固有模态函数中的信息能够帮助分析脑电信号的动态变化，从而提高睡眠分期的精确度30,31。本研究利用经验模态分解从十名被试睡眠时期的EEG信号提取峰值在和频段的IMF。然后，利用Welch方法估计峰值在和频段内的IMF包络线平均功率，并将所求得的平均功率作为睡眠分期的特征指标。2.3 心率变异度指标 心率变异度(heart rate variability,HRV)的时域和频域指标可以很好地反映心脏生理活动32-36。HRV时域特征利用统计学方法分析RR间期变化，是表征HRV最简单、最直观的指标。HRV时域特征能反映与呼吸频率相关副交感神经系统和交感神经系统活动变化，提供了睡眠期间心脏活动信息37。此外，HRV频域特征是反映自主神经系统活动重要指标。例如，低频谱LF(0.04-0.15 Hz)和高频谱HF(0.15-0.4 Hz)频段功率分别与副交感神经系统和交感神经系统调节有关38。低-高频谱比值（LF/HF）用于评估睡眠阶段之间自主神经功能的变化，通常在从非快速眼动睡眠到快速眼动睡眠过渡期间，LF/HF随着交感神经系统活研究报告生命科学仪器 2023 第21卷/1期45动增加而增加，从而捕捉心脏动力学于不同睡眠阶段的细微变化35。本研究选择了6个HRV时域指标和5个HRV频域指标作为睡眠分类特征。需要强调的是，大多数频域HRV指标计算需满足平稳性条件39，即信号均值和方差在不同时间点不会发生显著变化。因此，在本研究中，所有HRV指标均在时长为5分钟片段内进行评估，以满足平稳性条件。2.4 特征选择 基于两种信号处理方法以及两组与心脏动力学相关的指标，从每个分段中共提取40个特征，包括16个ECG特征、24个EEG特征。为了降低特征维度，提高机器学习分类器整体性能，本研究基于一种互信息特征选择方法，即最大相关性-最小冗余方法(max-relevance and min-redundancy,mRMR)40，计算给定特征的权重，权重越高，对睡眠分期贡献越大，与其他权重较低特征相比，特征冗余较少。由mRMR特征选择方法权重排序所得各特征优先级如表2所示。表2 EEG和ECG特征优先级Tab.2 Rankings of EEG and ECG features2.5 分类 表3 实验数据中每个睡眠阶段数量及比例Tab.3 Proportion and the amount of each sleep stage in all experimental data本研究使用了传统机器学习模型支持向量机、随机森林、线性判别分析及kNN算法进行分类。首先对数据集进行最小最大值归一化和随机打乱操作，在分类过程中采用十折交叉验证。由研究报告生命科学仪器 2023 第21卷/1期46于数据集的不均衡，我们计算了各睡眠阶段的数量以便进一步分析，具体数目及比例如表3所示。3 评价指标为了充分评估每个特征组合驱动的分类器分类性能，我们采用四个指标评估不同特征组合在睡眠分期的表现，即准确率、宏观F1评分(MF1)、Cohen Kappa值41和宏观几何平均(MGm)。其中MF1和MGm是评估模型在不平衡数据集上分类性能的常用指标42。4 结果与分析本文采用了带有遗传算法的支持向量机（SVM）、随机森林（RF）、线性判别分析（LDA）及kNN分类器进行自动睡眠分期，并对所有组合的分类效果进行估计。为了充分理解最优多模态特征组合关键因素，首先利用支持向量机分别对EEG、ECG和EEG+ECG特征组合完成验证分析，其中EEG特征组合为表2中所有EEG特征，ECG特征组合为所有ECG特征，EEG+ECG特征组合则为所有特征。如表4所示，在清醒期分类中，EEG信号特征比ECG信号特征发挥了更重要的作用，这体现在清醒期EEG特征(89.4%)和ECG特征(79.1%)的准确率上。表4 不同特征组合在各个睡眠时期的分类表现Tab.4 Performances of sleep classification task using different features combinations at all sleep stages表注：PR为准确率，RE为召回率，MF1为宏F1，MGm为几何均值；加粗部分为各组合对应项的最优结果；EEG特征组合准确率为71.36%，Kappa系数为0.6285；ECG特征组合准确率为83.84%，Kappa系数为0.7549；EEG+ECG特征组合准确率为85.06%，Kappa系数为0.7909；Note:PR represents precision,RE represents recall,MF1 represents macro-F1 score,and MGm represents the macro-Geometric mean.The bold font indicates the optimal performance of the corresponding item among all combinations.EEG features combinations show an accuracy of 71.36%and a kappa value of 0.6285.ECG features combinations have an accuracy of 83.84%and a kappa value of 0.7549.EEG+ECG features combinations share an accuracy of 85.06%and a kappa value of 0.7909.然而，ECG特征在深度睡眠(N3)分类方面的表现优于EEG特征。当基于所有EEG和ECG特征作为一个组合驱动睡眠分类器时，清醒-睡眠状态和浅-深睡眠状态的区分准确率有所提高，体现在N1期的分类准确率从EEG特征组合的11.9%和ECG特征组合的40.6%提高到EEG+ECG特征组合的49.1%，且EEG+ECG特征组合在N3期和REM期的分类上分别达到了91.8%及85.7%的准确率，表明EEG与ECG特征均可从不同层面提升睡眠分类器效能。此外，EEG+ECG特征组合驱动的睡眠分类器拥有较高的Kappa系数，表明多模态特征驱动分类器所得结果与人工判读结果具有较高的一致性。为了构建高效多模态特征驱动分类器，本研究采用最小冗余-最大相关特征选择方法评估多特征于睡眠分类中的重要性。根据特征选择方法得到的权重及优先级，选择优先级靠前的特征并将其整合为心脑多模态特征组合，如表5所示。表5 心脑多模态特征组合的构建Tab.5 Construction details of EEG-ECG multimodal features combinations为了进一步降低训练过程中的特征维数，在研究报告生命科学仪器 2023 第21卷/1期47特征选择步骤完成后，在训练前对训练特征矩阵和测试特征矩阵进行主成分分析（PCA），其中99%的主要成分被保留。特征选择及PCA降维后的多模态组合特征维数及训练时间大幅降低，特征维数由原来的40维降低为17维，训练时间减少为原来的约60%，而准确率由85.06%降低到84.05%，性能损失仅为1%。在十折交叉验证中，多模态特征组合获得了较高的准确率和Kappa系数，其结果如表6所示。表6 与现有自动睡眠方法在ISRUC-S3数据集上性能比较Tab.6 he performances comparison on current automatic sleep classification methods using the ISRUC-S3 dataset此外，我们将该多模态特征组合驱动的自动睡眠分类器与现有自动睡眠分期方法在ISRUC-S3数据集上进行了性能比较。如表6所示，与其他方法相比，该多模态特征组合驱动的自动睡眠分类器在各睡眠阶段的准确率、Kappa系数和F1分数上皆有较大提升。5 总结本文利用时频分析及非线性动态分析方法同步提取心脑于睡眠时期的关键信息，构建了高精准、高有效性的多模态特征组合。利用本研究所构建的多模态特征组合驱动支持向量机等传统机器学习分类器，在被试整晚睡眠记录的小样本数据集条件下，到达了最高84.05%的分类准确率。此外，该多模态特征组合驱动的睡眠自动分期模型的Kappa系数最高达0.781，表明自动分期和手动分期之间有着较高一致性。由于该多模态特征组合融合了心脑双模态于睡眠中的关键信息，相较于单模特征组合，如EEG特征组合及ECG特征组合，多模态特征组合从多个方面提升了对各个睡眠阶段的分期能力，使得浅-深睡眠状态之间及清醒-睡眠状态之间得到了更好的区分。本文构建的多模态特征组合可以应用在不同分类器，并保持较高的分期准确率，具有良好的泛化能力。所提出特征组合驱动的自动睡眠分类器可灵活地应用于各类医疗监测系统，以监测患者的睡眠状况，并据此结果检测睡眠障碍及其相关疾病，如抑郁症、失眠、嗜睡症及其他神经疾病16，从而支撑睡眠相关疾病的临床诊疗。参考文献1GULIA K K,KUMAR V M.Importance of sleep for health and wellbeing amidst COVID-19 pandemicJ.Sleep and vigilance,2020,4(1):4950.2ABOALAYON K A I,FAEZIPOUR M,ALMUHAMMADI W S,et al.Sleep stage classification using EEG signal analysis:a comprehensive survey and new investigationJ.Entropy,2016,18(9):272.3TORABI-NAMI M,MEHRABI S,BORHANI-HAGHIGHI A,et al.Withstanding the obstructive sleep apnea syndrome at the expense of arousal instability,altered cerebral autoregulation and neurocognitive declineJ.Journal of integrative neuroscience,2015,14(02):169193.4JADHAV P,MUKHOPADHYAY S.Automated Sleep Stage Scoring Using Time-Frequency Spectra Convolution Neural NetworkJ.IEEE Transactions on Instrumentation and Measurement,2022.5WANG Z,ZHANG J,XIA Y,et al.A General and Scalable Vision Framework for Functional Near-Infrared Spectroscopy ClassificationJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2022,30:19821991.研究报告生命科学仪器 2023 第21卷/1期486CHOI M,LEE S-J.Oscillometry-based Blood Pressure Estimation using Convolutional Neural NetworksJ.IEEE Access,2022.7 K E E N A N S A.A n o v e r v i e w o f polysomnographyJ.Handbook of clinical neurophysiology,2005,6:3350.8BERRY R B,BROOKS R,GAMALDO C E,et al.The AASM manual for the scoring of sleep and associated eventsJ.Rules,Terminology and Technical Specifications,Darien,Illinois,American Academy of Sleep Medicine,2012,176:2012.9ELDELE E,CHEN Z,LIU C,et al.An attention-based deep learning approach for sleep stage classification with single-channel EEGJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2021,29:809818.10SUPRATAK A,DONG H,WU C,et al.DeepSleepNet:A model for automatic sleep stage scoring based on raw single-channel EEGJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2017,25(11):19982008.11MOUSAVI S,AFGHAH F,ACHARYA U R.SleepEEGNet:Automated sleep stage scoring with sequence to sequence deep learning approachJ.PloS one,2019,14(5):e0216456.12SUN Y,WANG B,JIN J,et al.Deep convolutional network method for automatic sleep stage classification based on neurophysiological signalsC/2018 11th International Congress on Image and Signal Processing,BioMedical Engineering and Informatics(CISP-BMEI).2018:15.13PHAN H,ANDREOTTI F,COORAY N,et al.SeqSleepNet:end-to-end hierarchical recurrent neural network for sequence-to-sequence automatic sleep stagingJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2019,27(3):400410.14PHAN H,ANDREOTTI F,COORAY N,et al.Joint classification and prediction CNN framework for automatic sleep stage classificationJ.IEEE Transactions on Biomedical Engineering,2018,66(5):12851296.15SUN B,LIU Z,WU Z,et al.Graph Convolution Neural Network based End-to-end Channel Selection and Classification for Motor Imagery Brain-computer InterfacesJ.IEEE Transactions on Industrial Informatics,2022.16MEMAR P,FARADJI F.A novel multi-class EEG-based sleep stage classification systemJ.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2017,26(1):8495.17ALICKOVIC E,SUBASI A.Ensemble SVM method for automatic sleep stage classificationJ.IEEE Transactions on Instrumentation and Measurement,2018,67(6):12581265.18SEIFPOUR S,NIKNAZAR H,MIKAEILI M,et al.A new automatic sleep staging system based on statistical behavior of local extrema using single channel EEG signalJ.Expert Systems with Applications,2018,104:277293.19SOUSA T,CRUZ A,KHALIGHI S,et al.A two-step automatic sleep stage classification method with dubious range detectionJ.Computers in biology and medicine,2015,59:4253.20HASSAN A R,BHUIYAN M I H.Automated identification of sleep states from EEG signals by means of ensemble empirical mode decomposition and random under sampling boostingJ.Computer methods and programs in biomedicine,2017,140:201210.21LONG X,FONSECA P,HAAKMA R,et al.Spectral boundary adaptation on heart rate variability for sleep and wake classificationJ.International Journal on Artificial Intelligence Tools,2014,23(03):1460002.22KHALIGHI S,SOUSA T,SANTOS J M,et al.ISRUC-Sleep:A comprehensive public dataset for sleep researchersJ.Computer methods and programs in biomedicine,2016,124:180192.23YEH C-H,FANG Y,SHI W,et al.A novel method of visualizing q-complexity-entropy curve in the multiscale fashionJ.Nonlinear Dynamics,2019,97:28132828.24YEH C-H,SHI W.Generalized multiscale LempelZiv complexity of cyclic alternating pattern during sleepJ.Nonlinear Dynamics,2018,93:18991910.25ZHANG C-T,SUN Y-L,SHI W-B,et al.Brain Complexity Predicts Response to Adrenocorticotropic Hormone in Infantile Epileptic Spasms Syndrome:A Retrospective StudyJ.Neurology and Therapy,2022:11