睡眠阶段分期——SVM和ELM分别与粒子群算法结合(main)

摘要:本研究的目的是建立具有最佳准确率的分类模型,以心电图(ECG)信号为基础,使用心率变异性(HRV)特征来识别睡眠阶段。该方法是极端学习机器(ELM)和粒子群优化(PSO)的组合,用于特征选择和隐藏节点数的确定。ELM和PSO组合的2、3、4和6分类的测试精度分别为 82.1%, 76.77%, 71.52%, 62.66%。本文还比较了ELM和支持向量机(SVM)方法,其测试精度低于ELM和PSO的组合。根据结果,可以得出PSO方法的添加能够提高分类性能。 文献链接:https://ieeexplore.ieee.org/document/8463307 、 https://ieeexp