1.特征选择和分类算法在基于脑电信号的睡眠阶段分类中的比较研究（英文）
A Comparative Study on Classification of Sleep Stage Based
on EEG Signals Using Feature Selection and Classification
Algorithms
特征提取：在特征提取阶段识别了4种不同类别的特征(时间、非线性、基于频率和熵)。总共使用了21种特征算法；时间范畴10个，非线性范畴5个，频率范畴2个，熵范畴4个。从21个特征算法中获得了41个特征值。
时域：过零次数;Hjorth 系数；统计特征包括：
非线性特征5个：Petrosian fractal dimension (PFD)
Mean teager energy (MTE) MTE
Mean energy (ME)
Mean curve length (MCL) MCL
Hurst exponent (H)
时频域特征：Wigner-Ville distribution (WV) ：WV-1-WV-4
Discrete wavelet transform (DWT):D3-1-D5-4
熵特征： REn（瑞丽熵）;
PEn排列熵；
SpEn(光谱熵)；
ApEn（近似熵）;
特征值
特征选择算法：1.Fast correlation based filter (FCBF)
2.mRMR algorithm（）
3.T -test algorithm（T检验算法）
4.ReliefF算法
5.Fisher score algorithms （费舍尔评分）
6.最小冗余最大相关性(MRMr)；minimum redundancy maximum relevance
(mRMR);
特征分类算法：1.决策树Decision trees (DT)
2.Feed-forward neural network (FFNN)（前馈神经网络）
3.Radial basis network (RBF)径向基网络
4.Support vector machine (SVM)
5.Random forest algorithm (RF)（随机森林）
绩效评估方法：1.Classification accuracy , sensitivity and specificity（分类的准确性、敏感性
特异性评估）
2.k-Fold cross-validation（k复合交叉验证）
结论：根据结果，射频算法被认为是成功的最佳算法。随后，发现射频、SVM、离散余弦变换和径向基函数算法在不同的特征聚类中是有效的。
DT算法是计算时间最少的算法。一般来说，该算法之后分别是射频算法、SVM算法、快速傅里叶变换神经网络算法和径向基函数算法。