用于从脑电信号中检测睡眠剥夺的量子机器学习

据估计，印度约有 50% 的人口会经历与睡眠相关的障碍。睡眠剥夺是一种普遍存在的状况，会对认知表现、神经功能以及整体健康产生不利影响。脑电图（EEG）为捕捉与睡眠缺失相关的神经变化提供了一种客观手段，因此非常适用于自动化检测框架。 在本研究中，我们探讨了量子支持向量机和混合量子神经网络在利用静息态脑电信号对睡眠剥夺状态与充分休息状态进行分类中的应用。研究采用了一个全面的特征提取流程，纳入了频谱频带功率、频带比值、Hjorth 参数以及功能连接性测度。随后，这些特征被编码为量子态以构建量子核，并将其用于分类。模型性能在基于 epoch 级和基于受试者级的数据划分方案下进行了评估。 混合量子神经网络（HQNN）在两种评估设置下均取得了最高性能，在 epoch 级别达到 96.88% 的准确率，在受试者级别达到 81.25% 的准确率。QSVM 模型在 epoch 级和受试者级评估中的准确率分别为 93.75% 和 75.00%。在受试者级和 epoch 级评估中，HQNN 均优于先前报道的结果（68.23% 和 95.72%）。总体而言，这些研究结果凸显了量子机器学习作为一种具有竞争力的方法在基于 EEG 的睡眠剥夺检测中的潜力，并对现实世界生物医学应用展现出良好前景。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全解决方案。可能触发此拦截的行为有多种，包括提交特定的单词或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明该页面出现时您正在执行的操作，并附上本页底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.14.732153v1?rss=1

🏷️ 睡眠剥夺检测 脑电信号分析 量子机器学习 混合量子神经网络 支持向量机