基于高保真EEG特征工程和机器学习框架的磨牙症与周期性肢体运动障碍预后分类研究

本研究针对周期性肢体运动障碍(PLMS)和磨牙症的EEG信号特征变化，创新性地应用小波分解和机器学习算法(KNN/ANN/SVM-RBF)，在N3睡眠期实现最高98%的分类准确率(AUC 0.99)，为睡眠障碍的自动化诊断提供了高精度EEG特征提取方案。

　　

睡眠障碍如周期性肢体运动障碍(PLMS)和磨牙症严重影响患者生活质量，但传统多导睡眠图(PSG)检测存在成本高、侵入性强等局限。现有基于加速度计的监测设备难以捕捉微小肢体运动，而EEG信号分析又面临特征提取精度不足的挑战。为此，研究人员开展了一项突破性研究，通过开发高保真EEG特征工程分类体系，结合创新机器学习框架，实现了对这两种睡眠障碍的高精度自动化识别。

研究团队采用CAP睡眠数据库中108例512Hz采样频率的EEG数据，包含健康受试者和6类睡眠障碍患者。关键技术包括：1) 使用新型三重半带滤波器(THFB)进行7层小波分解，提取8个子带特征；2) 从δ(0.5-4Hz)、θ(3-10Hz)、α(10-14Hz)、β(>14Hz)等频段计算谱熵(SE)、分形维数和Lyapunov指数；3) 采用集成提升树(EBooT)、支持向量机(SVM)等算法进行分类验证，通过10折交叉验证避免过拟合。

研究结果部分：

1. 数据预处理：对30秒EEG片段进行FIR滤波(1-35Hz)和归一化处理，消除设备差异影响。N3期数据表现出最显著的特征差异。

2. 特征提取：小波分解后的谱熵分析显示，患者组在α频段的能量分布异常(P<0.01)。Katz分形维数在θ频段差异最大(健康组1.72±0.15 vs 患者组1.93±0.21)。

3. 分类性能：

   • PLMS检测：双通道EEG(C4-A1+F4-C4)组合在N3期达到99%准确率，AUC 1.00
   • 磨牙症分类：SVM-RBF模型表现最优(93%)，显著优于KNN(82%)和ANN(90%)
   • 小波去噪使EBooT分类准确率从96.1%提升至98.4%

4. 横向对比：较既往研究(Widasari等86.27%)显著提升，首次实现6类睡眠障碍的同步鉴别。

结论与意义：该研究首次证实PLMS和磨牙症患者存在特异性EEG模式，创新性地提出THFB小波特征提取框架，使睡眠障碍自动化诊断准确率突破98%阈值。临床价值体现在：1) 为家庭睡眠监测设备提供核心算法；2) 揭示δ/θ频段特征与运动障碍的神经机制关联；3) 建立的EEG特征库可扩展至其他神经系统疾病筛查。未来结合深度学习有望进一步优化分类性能，推动睡眠医学进入智能化诊断时代。