本书在介绍睡眠诊断的基本理论及概念的基础上，深入、系统地介绍了使用机器学习算法进行睡眠分期和睡眠疾病诊断的方法，包括K均值聚类算法、随机森林算法、支持向量机、贝叶斯分类、k近邻算法、Adaboost算法、深度神经网络等。全书由6章组成：第1章为绪论，介绍了生物医学信号和睡眠医学并概述了机器学习在医学诊断中的应用；第2章详细介绍了睡眠分期的背景；第3章介绍了生物电信号的特性分析和特征提取；第4章介绍了基于统计学习的睡眠分期算法；第5章介绍了基于深度学习的睡眠分期算法；第6章详细介绍了睡眠期间的相关事件，并给出了使用机器学习进行睡眠疾病诊断的实例。 本书介绍的睡眠诊断技术能够协助临床医生分析睡眠数据，具有临床应用价值，也为机器学习智能诊断技术领域的学生、科研人员提供了系统、详尽的智能诊断范例。

第1章 绪论
1.1 生物医学信号概述
1.1.1 引言
1.1.2 生物医学信号特点
1.1.3 生物医学信号处理的主要环节
1.1.4 生物医学信号处理理论
1.1.5 生物医学信号处理的应用
1.2 睡眠医学简介
1.2.1 睡眠概述
1.2.2 睡眠医学发展史
1.2.3 多导睡眠图监测技术的发展与临床应用
1.3 机器学习在医学诊断中的应用
1.3.1 机器学习概述
1.3.2 医学信息进行数据挖掘和分析的意义
1.3.3 医生与机器学习诊断结果的比较
参考文献
第2章 睡眠分期背景介绍
2.1 美国睡眠医学学会睡眠分期判读解析
2.1.1 睡眠分期的测定
2.1.2 睡眠分期的标定
2.1.3 睡眠分期
2.2 常用睡眠分期数据库
2.2.1 MIT-BIH多导睡眠图数据库
2.2.2 Sleep-EDF数据库
2.2.3 CFS数据集
2.3 研究睡眠分期的意义
参考文献
第3章 生物电信号特性分析与特征提取
3.1 生物电信号预处理
3.2 脑电信号
3.2.1 脑电数据特征
3.2.2 脑电数据预处理
3.2.3 经典功率谱估计
3.2.4 现代谱估计
3.2.5 复杂性测度分析
3.2.6 思维脑电特征分析及思维任务分类研究
3.3 眼动信号的特性分析与特征提取
3.3.1 EOG信号研究概述
3.3.2 EOG信号预处理
3.3.3 EOG信号特征提取
3.4 肌电信号的特性分析与特征提取
3.5 体动信号的特性分析与特征提取
参考文献
第4章 基于统计学习的睡眠分期算法
4.1 K均值聚类
4.1.1 K均值聚类算法简介
4.1.2 K均值算法在睡眠分期中的应用
4.2 随机森林
4.2.1 随机森林算法简介
4.2.2 随机森林在睡眠分期中的应用
4.3 支持向量机
4.3.1 支持向量机算法简介
4.3.2 支持向量机在睡眠分期中的应用
4.4 贝叶斯分类
4.4.1 贝叶斯算法简介
4.4.2 贝叶斯算法在睡眠分期中的应用
4.5 k近邻算法
4.5.1 k近邻算法简介
4.5.2 k近邻算法在睡眠分期中的应用
4.6 Adaboost
4.6.1 Adaboost简介
4.6.2 Adaboost在睡眠分期中的应用
4.7 其他集成学习算法
4.7.1 Bagging
4.7.2 XGBoost
参考文献
第5章 基于深度学习的睡眠分期算法
5.1 神经网络概述
5.1.1 人工智能和DNN
5.1.2 神经网络和深度神经网络
5.1.3 推理与训练
5.1.4 发展历史
5.2 以特征为输入的神经网络
5.3 以特征时间序列为输入的神经网络
5.4 端到端的神经网络
参考文献
第6章 睡眠期间相关事件
6.1 睡眠期间呼吸事件
6.1.1 呼吸暂停
6.1.2 低通气
6.1.3 OSAHS患者睡眠分期特点
6.1.4 机器学习在呼吸相关睡眠障碍中的应用
6.2 睡眠期间运动事件
6.2.1 运动事件诱因
6.2.2 运动事件类别及判读
6.2.3 机器学习在睡眠期间运动事件领域的应用
6.3 睡眠期间脑电图特征相关事件
6.3.1 失眠症
6.3.2 癫痫
6.3.3 抑郁症
6.3.4 深度学习模型用于癫痫发作预测和分类
6.4 睡眠障碍与心脑血管疾病
6.4.1 睡眠呼吸紊乱对心血管疾病的影响
6.4.2 睡眠呼吸紊乱对机体代谢的影响
6.4.3 睡眠梦境对脑血管疾病的影响
6.4.4 基于遗传算法和神经网络的心血管疾病预测系统
参考文献