Analysis to Evaluate Levels of Sleepiness_论文

Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　１０（２０１３）５８５－５９２　ａＬＩ５ＨＩＮ羁　Ｃ　Ａ　ｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　ｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　Ｒｕｂｅｎ．Ｄａｒｉｏ　Ｐｉｎｚｏｎ—Ｍｏｒａｌｅｓ　ａｎｄ　Ｙｕｔａｋａ　Ｈｉｒａｔａ　Ｄｅｐａｒｔｍｅｎｔ　ｏｆＣｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，Ｃｈｕｂｕ　Ｕｎｉｖｅｒｓｉｔｙ，Ｋａｓｕｇａｉ　１２００，Ｊａｐａｎ　Ｒｅｃｅｉｖｅｄ：Ｍａｙ　３ｉ，２０１２／Ａｃｃｅｐｔｅｄ：Ｊｕｌｙ　４，２０１２／Ｐｕｂｌｉｓｈｅｄ：Ｍａｙ　３１，２０１３　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ａ　ｍｅｔｈｏｄ　ｔｏ　ｃｕｓｔｏｍｉｚｅ　ａ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｆｏｒ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｐｕｐｉｌ　ｄｉａｍｅｔｅｒ　ｆｌｕｃｔｕａｔｉｏｎ　ｉｎ　ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｄｒｏｗｓｉｎｅｓｓ　ｓｔａｔｅｓ　ｕｎｄｅｒ　ａ　ｄｒｉｖｉｎｇ　ｓｉｍｕｌａｔｉｏｎ．Ｔｈｅ　ｍｅｔｈｏｄｏｌｏｇｙ　ｒｅｌｉｅｓ　ｏｎ　ａ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ－ｂａｓｅｄ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｎｄ　ｌｉｆｔｉｎｇ　ｓｃｈｅｍｅｓ，ｗｈｉｃｈ　ａｒｅ　ａ　ｆｌｅｘｉｂｌｅ　ａｎｄ　ｆａｓｔ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　ｔｈｅ　ｄｉｓｃｒｅｔｅ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｌ／１．Ｔｏ　ｃｕｓｔｏｍｉｚｅ　ｔｈｅ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ａ　ｃｌｕｓｔｅｒｉｎｇ　ｓｅｐａｒａｂｉｌｉｔｙ　ｍｅｔｒｉｃ　ｉｓ　ｅｍｐｌｏｙｅｄ　ａｓ　ａ　ｆｉｔｎｅｓｓ　ｆｕｎｃｔｉｏｎ　ｓｏ　ｔｈａｔ　ｔｈｅ　ｆｅａｔｕｒｅ　ｓｐａｃｅ　ｃｒｅａｔｅｄ　ｂｙ　ｔｈｅ　ｗａｖｅｌｅｔ　ａｎａｌｙｓｉｓ　ｅｘｈｉｂｉｔｓ　ｔｈｅ　ｍａｘｉｍｕｍ　ｃｌａｓｓ　ｓｅｐａｒａｂｉｌｉｔｙ　ｆａｖｏｒａｂｌｅ　ｆｏｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｔｈｅｒｅｆｏｒｅ，ａ　ｃｏｍｐｌｅｔｅｌｙ　ｎｅｗ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｉｓ　ｃｒｅａｔｅｄｈａｖｉｎｇ　ｕｎｉｑｕｅ　，ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｃｕｓｔｏｍｉｚｅｄ　ｔｏ　ｐｕｐｉｌ　ｄｉａｍｅｔｅｒ　ｆｌｕｃｔｕａｔｉｏｎ　ａｎａｌｙｓｉｓ．Ｉｔ　ｉｓ　ｄｅｍｏｎｓｔｒａｔｅｄ　ｔｈａｔ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｏｗｎ　ｄｉｓｔｉｎｇｕｉｓｈｅｄ　ｆｒｅｑｕｅｎｃｙ　ａｎｄ　ｔｅｍｐｏｒａｌ　ｒｅｓｐｏｎｓｅｓ　ｓｕｉｔａｂｌｅ　ｓｐｅｃｉｉｆｃａｌｌｙ　ｆｏｒ　ｐｕｐｉｌ　ｄｉａｍｅｔｅｒ　ｆｌｕｃｔｕａｔｉｏｎ　ａｎａｌｙｓｉｓ（ｎａｍｅｌｙ，　ａｐｐｌｉｃａｔｉｏｎ－ｄｅｐｅｎｄｅｎｔ），ａｎｄ　ｉｎ　ｔｈｅ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｔｈｅｙ　ｏｕｔｐｅｒｆｏｒｍ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ｆａｍｉｌｉｅｓ　ｉｎｃｌｕｄｉｎｇ　Ｄａｕｂｅｃｈｉｅｓ，Ｃｏｉｌｆｅｔ　ａｎｄ　Ｓｙｍｌｅｔ．　ｗｈｉｃｈ　ａｒｅ　ａｓｓｕｍｅｄ　ｔｏ　ｂｅ　ａｐｐｌｉｃａｔｉｏｎ－ｉｎｄｅｐｅｎｄｅｎｔ．Ｔｈｕｓ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉｓ　ｕｓｅｆｕｌ　ｆｏｒ　ａｎａｌｙｓｉｓ　ｏｆ　ｐｕｐｉｌ　ｆｌｕｃｔｕａｔｉｏｎ　ｉｎ　ｅｖａｌｕａｔｉｎｇ　ｓｌｅｅｐｉｎｅｓｓ　ｌｅｖｅｌｓ．ａｓ　ｈａｓ　ｂｅｅｎ　ｄｅｍｏｎｓｔｒａｔｅｄ　ｉｎ　ｏｔｈｅｒ　ａｐｐｌｉｃａｔｉｏｎｓ．　Ｋｅｙ　ｗｏｒｄｓ：Ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｃｕｓｔｏｍｉｚａｔｉｏｎ，ｅｖｏｌｕｔｉｏｎａｒｙ　ｏｐｔｉｍｉｚａｔｉｏｎ，ｐｕｐｉｌ　ｄｉａｍｅｔｅｒ　ｆｌｕｃｔｕａｔｉｏｎ，ｄｒｏｗｓｉｎｅｓｓ　ｄｅｔｅｃｔｉｏｎ．　１．Ｉｎｔｒｏｄｕｃｔｉｏｎ　Ｗａｖｅｌｅｔ　ａｎａｌｙｓｉｓ，ｏｗｎｉｎｇ　ｔｏ　ｉｔｓ　ｃａｐａｂｉｌｉｔｙ　ｆｏｒ　Ｄｕｒｉｎｇ　ｔｉｍｅ——ｆｒｅｑｕｅｎｃｙ　ａｎａｌｙｓｉｓ　ｗｉｔｈ　ｔｈｅ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ，ｔｈｅ　ｉｎｐｕｔ　ｓｉｇｎａｌ　ｉｓ　ｐｒｏｊｅｃｔｅｄ　ｉｎｔｏ　ａｎ　ｏｒｔｈｏｇｏｎａｌ　ｏｒ　ｂｉ－ｏｒｔｈｏｇｏｎａｌ　ｓｐａｃｅ　ｃｒｅａｔｅｄ　ｂｙ　ｔｈｅ　ｓｃａｌｉｎｇ　ａｎｄ　ｔｒａｎｓｌａｔｉｏｎ　ｏｆ　ｏｎｅ　ｓｉｎｇｌｅ　ｗａｖｅ——ｌｉｋｅ　ｆｕｎｃｔｉｏｎ，ｃａｌｌｅｄ　ｗａｖｅｌｅｔ　ｍｏｔｈｅｒ．Ｉｔ　ｉｓ　ｃｏｍｐｒｅｈｅｎｓｉｂｌｅ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　ｎｏｎ－ｓｔａｔｉｏｎａｒｙ　ｂｉｏｌｏｇｉｃａｌ　ｓｉｇｎａｌｓ，　ｈａｓ　ｉｎｓｐｉｒｅｄ　ｓｅｖｅｒａｌ　ｍｅｔｈｏｄｏｌｏｇｉｅｓ　ｉｎ　ａｐｐｌｉｃａｔｉｏｎｓ　ｓｕｃｈ　ａｓ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｔｈｅ　ｎｕｃｌｅｉ　ｏｆ　ｔｈｅ　ｂａｓａｌ　ｇａｎｇｌｉａ　ｆｒｏｍ　ｔｈｅｉｒ　ｎｅｕｒａｌ　ｓｐｉｋｅ　ｔｒａｉｎｓ【１］，ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｅｐｉｌｅｐｔｉｃ　ｓｅｉｚｕｒｅｓ　ａｎｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｄｒｏｗｓｉｎｅｓｓ　ｔｈａｔ　ｔｈｅ　ｓｕｃｃｅｓｓｆｕｌ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｉｇｎａｌ　ｍａｉｎｌｙ　ｄｅｐｅｎｄｓ　ｏｎ　ｔｈｅ　ｐｒｏｐｅｒ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ａ　ｗａｖｅｌｅｔ　ｍｏｔｈｅｒ．　Ａｌｔｈｏｕｇｈ　ｔｈｅｒｅ　ａｒｅ　ｐｌｅｎｔｙ　ｏｆ　ｗａｖｅｌｅｔ　ｐｒｏｔｏｔｙｐｅｓ　ｉｎ　ｔｈｅ　ｌｉｔｅｒａｔｕｒｅ，ｔｈｅｒｅ　ｉｓ　ｎｏｔ　ａｎ　ｅｓｔａｂｌｉｓｈｅｄ　ｒｕｌｅ　ｔｈａｔ　ｓｔａｔｅｓ　ｗｈｉｃｈ　ｗａｖｅｌｅｔ　ｓｈｏｕｌｄ　ｂｅ　ｕｓｅｄ　ｆｏｒ　ｅａｃｈ　ａｐｐｌｉｃａｔｉｏｎ．　Ｉｎｓｔｅａｄ．ｉｔ　ｉｓ　ａ　ｕｓｕａｌ　ｔａｓｋ　ｆｏｒ　ｔｈｅ　ｒｅｓｅａｒｃｈｅｒ　ｔｏ　ｔｅｓｔ　ｍｏｒｅ　ｏｒ　ｌｅｓｓ　ａｒｂｉｔｒａｒｙ　ｄｉｆｆｅｒｅｎｔ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ｔｏ　ｓｔａｔｅｓ　ｏｕｔ　ｏｆ　ＥＥＧ［２，３］，ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｈａｎｄ　ｍｏｖｅｍｅｎｔｓ　ｂｙ　ｕｓｉｎｇ　ＥＭＧ　ａｃｔｉｖｉｔｙ【４］ａｍｏｎｇ　ｏｔｈｅｒｓ．　Ｍｏｒｅ　ｒｅｃｅｎｔｌｙ，ｐａｒｔｉｃｕｌａｒ　ａｔｔｅｎｔｉｏｎ　ｈａｓ　ｂｅｅｎ　ｇｉｖｅｎ　ｔｏ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ａｎａｌｙｓｉｓ　ｔｈａｔ　ｅｎｃｌｏｓｅｓ　ｔｈｅ　ｄｅｓｉｇｎ　ｏｆ　ｎｅｗ　ｗａｖｅｌｅｔ　ｍｏｔｈｅｒ　ｆｕｎｃｔｉｏｎｓ［１，５－１０］．Ｈｅｒｅ，　ｔａｋｉｎｇ　ａｄｖａｎｔａｇｅ　ｉｎ　ｒｅｃｅｎｔ　ａｄｖａｎｃｅｓ　ｉｎ　ｗａｖｅｌｅｔ　ｃｕｓｔｏｍｉｚａｔｉｏｎ，　ａ　ｍｅｔｈｏｄｏｌｏｇｙ　ｏｒ　ｄｅｓｉｇｎｉｎｇ　ｆｉｆｎｄ　ｔｈｅ　ｏｎｅ　ｓｕｉｔｅｄ　ｏｒｆ　ｔｈｅ　ｄａｔａ　ｔｏ　ｂｅ　ａｎａｌｙｓｅｄ［２］．Ｆｏｒ　ｔｈｉｓ　ｒｅａｓｏｎ　ｓｅｖｅｒａｌ　ｍｅｔｈｏｄｓ　ｈａｖｅ　ｂｅｅｎ　ｐｒｏｐｏｓｅｄ　ｔｏ　ｃｒｅａｔｅ　ｎｅｗ　ｗａｖｅｌｅｔ　ｗｉｔｈ　ｄｅｓｉｒｅ　ｆｅａｔｕｒｅｓ　ｗｉｔｈ　ｅｉｔｈｅｒ　ｄｅｔｅｒｍｉｎｉｓｔｉｃ　ｏｒ　ｅｖｏｌｕｔｉｏｎａｒｙ　ａｐｐｒｏａｃｈｅｓ．Ｏｎ　ｏｎｅ　ａｐｐｌｉｃａｔｉｏｎ－ｄｅｐｅｎｄｅｎｔ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ｖｉａ　ＧＡｓ　（ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ）ａｒｅ　ａｐｐｌｉｅｄ　ｆｏｒ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ＰＤ　（ｐｕｐｉｌ　ｄｉａｍｅｔｅｒ）ｔｉｍｅ　ｓｅｒｉｅｓ　ａｉｍｉｎｇ　ａｔ　ｄｒｏｗｓｉｎｅｓｓ　ａｓｓｅｓｓｍｅｎｔ［１，５］．　ＣＯｒｒｅｓｐ０ｎｄｉｎｇ　ａｕｔｈｏｒ：Ｙｕｔａｋａ　Ｈｉｒａｔａ，Ｐｈ．Ｄ．，ｐｒｏｆｅｓｓｏｒ　ｈａｎｄ，ｄｅｔｅｒｍｉｎｉｓｔｉｃ　ｍｅｔｈｏｄｓ　ｈａｖｅ　ｂｅｅｎ　ｓｈｏｗｎ　ｔｏ　ｂｅ　ｂｕｒｄｅｎｓｏｍｅ　ｄｕｅ　ｔｏ　ｔｈｅ　ｃｏｍｐｌｅｘｉｙ　ｏｆ　ｍａｔｔｈｅｍａｔｉｃａｌ　ｃｏｎｄｉｔｉｏｎｓ　ｏｎ　ｏｒｔｈｏｇｏｎａｌｉｔｙ，ｓｙｍｍｅｔｒｙ，ｃｏｍｐａｃｔｎｅｓｓ，　ａｎｄ　ｓｍｏｏｔｈｎｅｓｓ【６］．Ｏｎ　ｔｈｅ　ｏｔｈｅｒ　ｈａｎｄ，ｅｖｏｌｕｔｉｏｎａｒｙ　ｒｅｓｅａｒｃｈ　ｉｆｅｌｄ：ｎｅｕｒｏｓｃｉｅｎｃｅｓ．Ｅ—ｍａｉｌ：ｙｕｔａｋａ＠ｉｓｃ．ｃｈｕｂｕ．ａｃ．ｊｐ．　

５８６　Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　Ｔａｂｌｅ　１　Ｅｑｕａｔｉｏｎｓ　ｉｎｖｏｌｖｅｄ　ｉｎ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　＝　：ｉ＝１…．，Ⅳ｝∈ＲｎｘＮ　人＝　，：ｉ＝１，…，Ｎ｝∈Ｚ　＝　Ｉｎｐｕｔ　ｓｅｔ　ｗｉｔｈ　ｏｂｓｅｒｖａｔｉｏｎｓ　ｅａｃｈ　ｏｆＮ　ｓａｍｐｌｅｓ（１）　Ｌａｂｅｌ　ｖｅｃｔｏｒｉｎｋ　ｃｌａｓｓｅｓ．　ｉｎｄｉｃａｔｅｓｍｅｍｂｅｒｓｈｉｐ　ｏｆｘ　（２）　＾，　。，　＝　（２　１）　：　ｗ　『＿１）　Ｅｖｅｎ　ａｎｄ　ｏｄｄ　ｓａｍｐｌｅｓ　ｏｆｘ．（０）ｉｎｄｉｃａｔｅｓ　ｔｈｅ　ｏｒｉｇｉｎａｌ　ｓｐａｃｅ　ｏｆ　Ｘ（３）　Ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｌ　ａｎａｌｙｓｉｓ・Ｅｖｅｎ　ａｎｄ　ｏｄｄ　ｓａｍｐｌｅｓ　ｏｆ　ｗ　（４）　？＝ｗ　ｗ　＝　（ｉ－　一ｐ＝　，：　１，…，Ｎ　ｐ　ｊ　＝　，：ｉ＝１，…，Ⅳ　｝Ｌｉｆｔｉｎｇ　ｓｃｈｅｍｅ　ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ　ｕｐｄａｔｅ　ｆｉｌｔｅｒｓ（５）　∑　＋１　．Ａ　ｔ－，ｔ＋）　，））　，ＷａｖｅＩｅｔ　ｄｅｔａｉｌ　ｃ。ｅｉｆ　ｎｔｓ　ａｔ　１ｅＶｅ１　ｌ（６）　ｗａＶｅＩ１　ａｅｌｐｐｒｏｘｉｍａｔｉｏｎ　ｃｏｅｆｉｆｃｉｅｎｔｓ　ａｔ　１ｅＶｅ１　１（７）　Ｓｙｍｍｅｔｒｉｃａｌ　ａｎｄ　ｌｉｎｅａｒ　ｐｈａｓｅ　ｃｏｎｓｔｒａｉｎｔ（８）　／２　ｗ　（１－　＋∑Ｎ　ｕ／２　２＋ｌ“，ｗ　Ｐ，＝Ｐ（．Ｊ＋１），ｕ，＝　（＿，＋１），ｉ＝１　．，Ｎ　ｐ∑　～ｐ，＝１／２，∑　一“　＝１／４　Ｚ＝　：ｉ＝１，．．．，　）∈Ｒ　（人）＝　＝　：　（　）＝ｆ，ｉ：１…．，ｃ）∈Ｒ加　Ｎ。ＩＴＩＩａｌｉｚａｔｉｏｎ　ｃｏｎｓｔｒａｉｎｔ（９）　Ｍａｔｒｉｘ。ｆｆｅａｔｕｒｅｓｗｉｔｈｄｄｉｍｅｎｓｉ。ｎｓ（１０）　Ｍａｔ　。ｆｃｌｕｓｔｅｒ　ｃｅｎｔｒｅｓ（１１）　ｓ，＝　∑　ｌＩｚ　ＩＩ２］　ｄ　＝　一Ｖ　１　１２＇ｉ≠　。舢（人，ｚ）＝　１　ｋ　Ｗｉｔｈｉｎｊ－ｔｈ　ｃｌｕｓｔｅｒ　ｓｃａｔｔｅｒ　ｖａｌｕｅ（１２）　Ｍｉｎｋ。ｗｓｋｉ　ｄｉｓｔａｎｃｅ　ｂｅｔｗｅｅｎ　ｃｌｕｓｔｅｒｓ（１３）　ｍａｘ　，：．：　）Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ　ｓｅｐａｒａｂｉｌｉｔｙ　ｉｎｄｅｘ（１　４）　Ａｖｃｒａｇｅ　ｎ。ｎｌｉｎｅａｒ　ｅｎｅｒｇＹ，ｗｈｅｒｅＥ｛．）ｉｓｔｈｅ　ｅｘｐｅｃｔａｔｉ。ｎ０５）　Ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉ。ｎ。ｆｔｈｅ　ａｂｓｏ１ｕｔｅｓ　Ｖａｌｕｅｓ，ｗｈｃｒ。∥＝Ｅ｛Ｘ）（１６）　ｌ＝Ｅ　一（ｘ（ｆ＿１）　（　））｝　：＝√Ｅ｛（７　Ｊ．∥）　｝　＝√Ｅ　｝　Ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｖａｌｕｅ，ｏｒ　ｑｕａｄｒａｔｉｃ　ｍｅａｎ（１７）　ｉｎｔｒａ－ｃｌｕｓｔｅｒ　ｃｏｍｐａｃｔｎｅｓｓ．　Ｔｏ　ｅｖｉｎｃｅ　ｔｈｅ　ｂｅｎｅｆｉｔｓ　ｏｆ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ａｐｐｒｏａｃｈｅｓ，ｓｕｃｈ　ａｓ　ＧＡｓ，ＣＡｓ（ｃｕｌｔｕｒａｌ　ａｌｇｏｒｉｔｈｍｓ），　ａｎｄ　ＡＳ（ａｎｔ　ｓｙｓｔｅｍｓ），ｈａｖｅ　ｂｅｅｎ　ｐｒｅｓｅｎｔｅｄ　ｔｏ　ｈａｖｅ　ｎｅｗｓｗｏｒｔｈｙ　ｆｅａｔｕｒｅｓ　ｆｏｒ　ｗａｖｅｌｅｔ　ｄｅｓｉｇｎ．Ｔｈｅｒｅｆｏｒｅ．ｉｎ　ｔｈｅ　ｐｒｅｓｅｎｔ　ｓｔｕｄｙ，ａｎ　ｅｖｏｌｕｔｉｏｎａｒｙ　ｍｅｔｈｏｄｏｌｏｇｙ　ｆｏｒ　ｃｒｅａｔｉｏｎ　ｏｆ　ａ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｉｓ　ｅｍｐｌｏｙｅｄ．　ｆｕｎｃｔｉｏｎ，ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｕｎｄｅｒ　ｃｏｎｓｉｄｅｒａｔｉｏｎ　ｉｎ　ｔｈｉｓ　ｓｔｕｄｙ　ｉｓ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｆｌｕｃｔｕａｔｉｏｎ　ｏｆ　ＰＤ．Ｔｈｅ　ｐｕｐｉｌ　ｔｈａｔ　ｄｅｔｅｒｍｉｎｅｓ　ｅｙｅ’ｓ　ｏｐｔｉｃａｌ　ｐｒｏｐｅｒｔｉｅｓ　ｉｎｃｌｕｄｉｎｇ　ｄｅｐｔｈ　ｏｆ　ｆｏｃｕｓ，ａｎｄ　ｓｐａｔｉａｌ　ｆｒｅｑｕｅｎｃｙ　ｏｆ　ｔｈｅ　ｒｅｔｉｎａｌ　ｉｍａｇｅ　ｉｓ　ｃｏｎｔｒｏｌｌｅｄ　ｂｙ　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ａｎｔａｇｏｎｉｓｔｉｃ　ｍｕｓｃｌｅｓ，ｔｈｅ　ｄｉｌａｔｏｒ　ａｎｄ　ｔｈｅ　ｓｐｈｉｎｃｔｅｒ，ｗｈｉｃｈ　ａｒｅ　ｅａｃｈ　ｉｎｎｅｒｖａｔｅｄ　ｂｙ　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ｔｈｅ　ａｕｔｏｎｏｍｉｃ　ｎｅｒｖｏｕｓ　ｓｙｓｔｅｍ，ｔｈｅ　ｓｙｍｐａｔｈｅｔｉｃ　ａｎｄ　ｔｈｅ　ｐａｒａｓｙｍｐａｔｈｅｔｉｃ．　Ｔｈｅ　ｍａｉｎ　ｍｏｔｉｖａｔｉｏｎ　ｂｅｈｉｎｄ．ａｄｄｉｔｉｏｎａ１　ｔｏ　ａｖｏｉｄｉｎｇ　ｔｈｅ　ｕｓｅ　ｏｆ　ａ　ｇｅｎｅｒｉｃ　ｆｕｎｃｔｉｏｎ．ｉｓ　ｔｏ　ｃｒｅａｔｅ　ａ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｔｈａｔ　ａｃｈｉｅｖｅ　ｍａｘｉｍｕｍ　ｃｌａｓｓ　ｓｅｐａｒａｂｉｌｉｔｙ．Ｉｎ　ｏｔｈｅｒ　ｗｏｒｄｓ，ｇｉｖｅｎ　ａ　ｆｅａｔｕｒｅ　ｓｐａｃｅ　Ｚ∈Ｒ　，ｗｈｅｒｅ　ｄ　ｉｓ　ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｆｅａｔｕｒｅｓ　ａｎｄ　ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｓｉｇｎａｌｓ　ａｎａｌｙｚｅｄ　ｔｈａｔ　ａｒｅ　ｄｉｓｃｒｉｍｉｎａｔｅｄ　ｉｎ　ｋ　ｃｌａｓｓｅｓ　ｏｒ　ｃｌｕｓｔｅｒｓ，ａｎｄ　ｇｅｎｅｒａｔｅｄ　ｂｙ　ｗａｖｅｌｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　Ｔｈｅｓｅ　ｔｗｏ　ｍｕｓｃｌｅｓ　ｉｎｔｅｒａｃｔ　ｗｉｔｈ　ｅａｃｈ　ｏｔｈｅｒ　ｔｏ　ｓｅｃｕｒｅ　ｔｈｅ　ｐｒｏｐｅｒ　ａｃｑｕｉｓｉｔｉｏｎ　ｏｆ　ｖｉｓｕａｌ　ｉｍａｇｅｓ　ａｎｄ　ｔｈｅｒｅｉｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｔｏ　ｔｈｅ　ｂｒａｉｎ．Ｔｈｉｓ　ｃｏ．ａｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｔｗｏ　（１）－（７），ｔｈｅ　ｍｅｔｈｏｄｏｌｏｇｙ　ａｔｔｅｍｐｔｓ　ａｔ　ｇｅｎｅｒａｔｉｎｇ　ａ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｔｈａｔ　ｍａｘｉｍｉｚｅ　ｔｈｅ　ｓｅｐａｒａｂｉｌｉｔｙ　ｏｆ　ｋｉｎｄｓ　ｏｆ　ｓｍｏｏｔｈ　ｍｕｓｃｌｅｓ　ｈａｓ　ｂｅｅｎ　ｄｅｓｃｒｉｂｅｄ　ａｓ　ｈｉｇｈｌｙ　ｃｌａｓｓｅｓ　ｕｎｄｅｒ　ａ　ｄｅｓｉｒｅｄ　ｃｏｓｔ　ｆｕｎｃｔｉｏｎ　Ｄ，ｓｏ　ｔｈａｔ　ｔｈｅ　ｆｅａｔｕｒｅ　ｓｐａｃｅ　ｙｉｅｌｄｅｄ　ｂｙ　ｔｈｅ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｐｒｅｓｅｎｔｓ　ｎｏｎ—ｓｔａｔｉｏｎａｒｙ　ａｓ　ｗｅｌｌ　ａｓ　ｎｏｎ－ｌｉｎｅａｒ［１　ｌ】．Ｗｈａｔ　ｉｓ　ｍｏｒｅ，ｔｈｅ　ａｕｔｏｎｏｍｉｃ　ｎｅｒｖｏｕｓ　ｓｙｓｔｅｍ　ｗｈｏｓｅ　ａｃｔｉｖｉｔｙ　ｉｓ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｂｏｕｎｄ　ｔｏｗａｒｄｓ　ｃｌａｓｓｉｉｃａｔｆｉｏｎ　ｓｕｃｈ　ａｓ　ｋｎｏｗｎ　ｔｏ　ｃｈａｎｇｅ　ｉｎ　ｐａｒａｌｌｅｌ　ｗｉｔｈ　ｄｒｏｗｓｉｎｅｓｓ　ｓｔａｔｅｓ　

Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　５８７　ｍａｙ　ｂｅ　ａｌｓｏ　ｅｖａｌｕａｔｅｄ　ｉｎ　ＰＤ　ｔｉｍｅ　ｓｅｒｉｅｓ【１　２］．　Ｔｈｉｓ　ｐａｐｅｒ　ｉｓ　ｏｒｇａｎｉｚｅｄ　ａｓ　ｆｏｌｌｏｗｓ：Ｉｎ　Ｓｅｃｔｉｏｎ　２　ｔｈｅ　ｔｈｅｏｒｙ　ｂａｓｉｓ　ｏｆ　ｔｈｅ　ｍｅｔｈｏｄｏｌｏｇｙ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ；Ｔｈｅｎ　ｉｎ　Ｓｅｃｔｉｏｎ　３．２　ａ　ｎｏｖｅｌ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｉｓ　ｐｒｏｄｕｃｅｄ　ｆｏｒ　ＰＤ　ｆｌｕｃｔｕａｔｉｏｎ　ａｎａｌｙｓｉｓ；Ｓｅｃｔｉｏｎ　３．３　ｅｖｉｎｃｅｓ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　ｗｉｔｈ　ｔｈｅ　ｎｅｗｌｙ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ａｎｄ　ｆｏｒ　ｔｈｅ　ｓａｋｅ　ｏｆ　ｃｏｍｐａｒｉｓｏｎ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ａｒｅ　ａｌｓｏ　ｅｖａｌｕａｔｅｄ；Ｆｉｎａｌｌｙ，　ｃｏｎｃｌｕｓｉｏｎｓ　ａｎｄ　ｅｎｄｉｎｇ　ｒｅｍａｒｋｓ　ａｒｅ　ｄｒａｗｎ　ｉｎ　Ｓｅｃｔｉｏｎ　４．　２．Ｍｅｔｈｏｄｓ　２．ｉ　ｗａｖｅｌｅｔ　Ｃｕｓｔｏｍｉｚａｔｉｏｎ　Ｔｈｅ　ｐｒｅｃｉｓｅ　ｐｒｏｃｅｄｕｒｅ　ｆｏｒ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ｈａｓ　ｂｅｅｎ　ｒｅｐｏｒｔｅｄ　ｅｌｓｅｗｈｅｒｅ［１］．Ｔｈｅｒｅｆｏｒｅ，　ｏｎｌｙ　ａ　ｓｕｍｍａｒｉｚｅｄ　ｖｅｒｓｉｏｎ　ｉｓ　ｐｒｅｓｅｎｔｅｄ　ｈｅｒｅ　ｒｅｆｅｒｒｉｎｇ　ｔｏ　ｅｑｕａｔｉｏｎｓ　ｇｉｖｅｎ　ｉｎ　Ｔａｂｌｅ　１．　Ｆｉｒｓｔ，ｅｘｔｒａｃｔ　ａ　ｓｕｂｓｅｔ　ｏｆ　ｔｒａｉｎｉｎｇ　ｓｉｇｎａｌｓ　Ｘｅ∈Ｘ．　Ｉｔ　ｈａｓ　ｂｅｅｎ　ｓｈｏｗｎ　ｔｈａｔ　ａ　３０％ｓａｍｐｌｅ　ｏｆ　ｔｈｅ　ｐａｔｔｅｒｎｓ　ａｖａｉｌａｂｌｅ　ｐｒｏｖｉｄｅｓ　ｅｎｏｕｇｈ　ｉｎｆｏ・ｒｍａｔｉｏｎ　ｆｏｒ　ｔｈｅ　ｍｅｔｈｏｄｏｌｏｇｙ　ｔｏ　ｃｏｎｖｅｒｇｅ［１］．Ｓｅｃｏｎｄ，ｅａｃｈ　ｐａｔｔｅｍ　ｉｓ　ｄｅｃｏｍｐｏｓｅｄ　ｗｉｔｈ　ｔｈｅ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｕｐ　ｔｏ　ｌｅｖｅｌ，　ｂｙ　ｕｓｉｎｇ　ｃａｓｃａｄｅ　ｌｉｔｆｉｎｇ　ｓｃｈｅｍｅｓ（３　ｔｏ　７）．Ｌｉｔｆｉｎｇ　ｓｃｈｅｍｅｓ　ａｒｅ　ａ　ｆａｓｔ　ａｎｄ　ｆｌｅｘｉｂｌｅ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　ｔｈｅ　ｄｉｓｃｒｅｔｅ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｃｏｍｐｒｉｓｅｄ　ｂｙ　ａ　ｐｒｅｄｉｃｔｉｏｎ　ｉｆｌｔｅｒ　Ｐ　ａｎｄ　ａｎ　ｕｐｄａｔｅ　ｆｉｌｔｅｒ　ｗｉｔｈ　ｏｒｄｅｒ　Ｎ口　ａｎｄ　，ｒｅｓｐｅｃｔｉｖｅｌｙ　Ｅｑ．（５）．Ｐｒｅｄｉｃｔｉｏｎ　ｆｉｌｔｅｒ　ｉｓ　ａｓｓｏｃｉａｔｅｄ　ｔｏ　ｔｈｅ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｉｎ　ｔｈｅ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ｓｃｈｅｍｅ，ａｎｄ　ｉｓ　ｒｅｓｐｏｎｓｉｂｌｅ　ｆｏｒ　ｅｘｔｒａｃｔｉｎｇ　ｈｉｇｈ　ｒｆｅｑｕｅｎｃｙ　ｃｏｍｐｏｎｅｎｔｓ　ｉｎ　ｔｈｅ　ｓｉｇｎａｌ　ｂｙ　ｅｌｉｍｉｎａｔｉｎｇ　ｌｏｗ　ｏｒｄｅｒ　ｐｏｌｙｎｏｍｉａｌｓ，ｗｈｉｌｅ　ｔｈｅ　ｕｐｄａｔｅ　ｏｐｅｒａｔｏｒ　ｉｓ　ｒｅｌａｔｅｄ　ｗｉｔｈ　ｔｈｅ　ｓｃａｌｉｎｇ　ｆｕｎｃｔｉｏｎ　ａｎｄ　ｔｈｅ　ｅｘｔｒａｃｔｉｏｎ　ｏｆ　ａｐｐｒｏｘｉｍａｔｉｏｎ　ｃｏｅｆｉｆｃｉｅｎｔｓ．Ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｌ　ａｎａｌｙｓｉｓ　ｕｐ　ｔｏ　ｌｅｖｅｌ，ｉｓ　ａｃｈｉｅｖａｂｌｅ　ｂｙ　ｔａｋｉｎｇ　ｓｅｑｕｅｎｔｉａｌ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｏｎ　ｔｈｅ　ａｐｐｒｏｘｉｍａｔｉｏｎ　ｃｏｅｆｉｆｃｉｅｎｔｓ　Ｅｑ．　（４），ｓｉｍｉｌａｒ　ａｓ　ｉｎ　ｔｈｅ　ｗａｖｅｌｅｔ　ｄｉｓｃｒｅｔｅ　ｔｒａｎｓｆｏｒｍ　ｃａｓｅ．　Ｏｎｃｅ　ｔｈｅ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｉｓ　ｃｏｍｐｕｔｅｄ，ａ　ｍａｔｒｉｘ　Ｗ　ｏｆ　ｗａｖｅｌｅｔ　ｃｏｅｆｉｆｃｉｅｎｔｓ　ｉｓ　ｙｉｅｌｄｅｄ．Ｔｈｅ　ｄｉｍｅｎｓｉｏｎ　ｏｆ　ｓｕｃｈ　ｍａｔｒｉｘ　ｈａｐｐｅｎｓ　ｔｏ　ｂｅ　ｈｅａｖｙ　ｌｏａｄ　ｆｏｒ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ．Ｉｎｄｅｅｄ，ｆｏｒ　ａ　ｓｉｇｎａｌ　ｗｉｔｈ　Ｎ　ｓａｍｐｌｅｓ，　ｐｅｒｆｏｒｍｉｎｇ　ａ，ｓｃａｌｅ　ｗａｖｅｌｅｔ　ａｎａｌｙｓｉｓ　ｐｒｏｄｕｃｅｓ　ａ　ｍａｔｒｉｘ　Ｗ　ｄｉｓｃｒｉｍｉｎａｔｅｄ　ｉｎ，＋１　ｆｒｅｑｕｅｎｃｙ　ｂａｎｄｓ．Ｔｏ　ｒｅｄｕｃｅ　ｔｈｅ　ｄｉｍｅｎｓｉｏｎ　ｏｆ　ｔｈｅ　ｗａｖｅｌｅｔ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ａ　ｑｕａｎｔｉｔａｔｉｖｅ　ｖｅｃｔｏｒ　Ｅｑ．（１　０）ｉｓ　ｐｒｏｐｏｓｅｄ　ａｎｄ　ｃｏｎｓｔｒｕｃｔｅｄ　ｂｙ　ａ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ，ｉ．ｅ．，Ｑ：　Ｚ．Ｔｈｅ　ｓｅｔ　ｏｆ　ｍｅｔｒｉｃｓ　ｔｈａｔ　ａｓｓｅｍｂｌｅ　＝　：ｉ＝１…．ｄ｝　ｉｓ　ｅｎｔｉｒｅｌｙ　ａｐｐｌｉｃａｔｉｏｎ￣ｌｅｐｅｎｄｅｎｔ．Ｓｕｃｈ　ｍｅｔｒｉｃｓ　ａｒｅ　ｔｏ　ｂｅ　ｉｎｔｒｏｄｕｃｅｄ　ｆｏｒ　ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｕｎｄｅｒ　ｃｏｎｓｉｄｅｒａｔｉｏｎ　ｉｎ　Ｓｅｃｔｉｏｎ　３．２　Ａｔ　ｔｈｉｓ　ｐｏｉｎｔ　ａ　ｍａｊｏｒ　ｓｔｅｐ　ｏｆ　ｔｈｅ　ｍｅｔｈｏｄｏｌｏｇｙ　ｍｕｓｔ　ｂｅ　ｓｅｔ，ｎａｍｅｌｙ，ｔｈｅ　ｃｏｓｔ　ｆｕｎｃｔｉｏｎ　ｉｎ　ｔｈｅ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｐｒｏｃｅｄｕｒｅ．Ｏｗｉｎｇ　ｔｏ　ｔｈｅ　ｆｏｃｕｓ　ｏｆ　ｔｈｅ　ｐｒｅｓｅｎｔ　ｃｏｎｔｅｎｔ，ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｏｆ　ｄｒｏｗｓｉｎｅｓｓ　ｓｔａｔｅｓ，ｔｈｅ　ｃｏｓｔ　ｆｕｎｃｔｉｏｎ　ｉｓ　ａ　ｍｅａｓｕｒｅ　ｔｈａｔ　ａｌｌｏｗｓ　ｔｈｅ　ｅｖａｌｕａｔｉｏｎ　（＿ｏｆ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｐｏｔｅｎｔｉａｌ　ｏｆ　Ｚ　ｗｉｔｈｏｕｔ　ｄｅｐｅｎｄｉｎｇ　ｕｐｏｎ　ｔｈｅ　ｃｌａｓｓｉｉｆｅｒ　ｉｔｓｅｌｆ，ｗｈｉｃｈ　ｃｏｕｌｄ　ｉｎｃｒｅａｓｅ　ｃｏｎｓｉｄｅｒａｂｌｙ　ｔｈｅ　ｐｒｏｃｅｄｕｒｅ　ｔｉｍｅ　ａｎｄ　ｂｙ　ｗｈｉｃｈ　ｔｈｅ　ｍｅｔｈｏｄｏｌｏｇｙ　ｍａｙ　ａｌｓｏ　ｄｅｃｒｅａｓｅ　ｇｅｎｅｒａｌｉｚａｔｉｏｎ　ａｍｏｎｇ　ｃｌａｓｓｉｆｉｅｒｓ．Ｃｏｎｓｅｑｕｅｎｔｌｙ，ｔｈｅ　Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ　ｉｎｄｅｘ　ｉｓ　ｅｍｐｌｏｙｅｄ（１０　ｔｏ　１４）ａｓ　ｔｈｅ　ｃｏｓｔ　ｆｕｎｃｔｉｏｎ　ｂｅｃａｕｓｅ　ｔｈｅ　Ｂ　ｉｓ　ａ　ｍｅａｓｕｒｅ　ｏｆ　ｃｌａｓｓｅｓ　ｓｅｐａｒａｂｉｌｉｔｙ　ｔｈａｔ　ａｓｓｅｓｓｅｓ　ｎｏｔ　ｏｎｌｙ　ｔｈｅ　ｃｏｍｐａｃｔｎｅｓｓ　ｏｆ　ｅａｃｈ　ｃｌａｓｓ　Ｅｑ．（１　２）ｂｕｔ　ａｌｓｏ　ｔｈｅ　ｇｌｏｂａｌ　ｄｉｓｐｅｒｓｉｏｎ　ｂｅｔｗｅｅｎ　ｃｌａｓｓｅｓ　Ｅｑ．（１　３）．Ｔｈｅｒｅｆｏｒｅ，ｂｙ　ｅｍｐｌｏｙｉｎｇ　ｔｈｅ　Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎ　ｉｎｄｅｘ　ｇｉｖｅｎ　ａ　ｃｒｉｓｐ　ｐａｒｔｉｔｉｏｎ　ｏｆ　ｔｈｅ　ｄａｔａ人．ｉ．ｅ．　ＤＤＢ（人，ｚ）ｔｈｅ　ｉｆｌｔｅｒｓ　Ｐ　ａｎｄ　ａｒｅ　ｅｘｐｅｃｔｅｄ　ｔｏ　ｂｅ　０　＞　ｏ　Ｊ　∞　∞　０　Ｃ　０　∽　Ｔｉｍｅ（ｍｉｎｕｔｅｓ）　Ｆｉｇ．１　ＰＤ　ｆｌｕｃｔｕａｔｉｏｎ　ｓｉｇｎａｌ　ｄｕｒｉｎｇ　ｔｈｅ　ｍｏｎｏｔｏｎｏｕｓ　ｄｒｉｖｉｎｇ　ｓｉｔｕａｔｉｏｎ　ｓｉｍｕｌａｔｉｏｎ　ｏｆ　ａｔｙｐｉｃａｌ　ｓｕｂｊｅｃｔ（ｔｏｐ）ａｎｄ　ｒｅｐｏｒｔｅｄ　ｓｅｌｆ－ｓｌｅｅｐｉｎｅｓｓ　ｌｅｖｅｌ（ｂｏｔｔｏｍ）．　ｇｕＩ　．Ｑ．　

５８８　Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　ｅｖｏｌｖｅｄ　ｔｏ　ｍａｘｉｍｉｚｅ　ｔｈｅ　ｓｅｐａｒａｂｉｌｉｔｙ　ａｍｏｎｇ　ｃｌａｓｓｅｓ　ｉｎ　２．３　Ｄａｔａｂａｓｅ　Ｕｓｉｎｇ　ｃｕｓｔｏｍ　ｍａｄｅ　ｓｃｒｉｐｔｓ，ＰＤ　ｗａｓ　ｃａｌｃｕｌａｔｅｄ　ｆｒｏｍ　ｔｈｅ　ｆｅａｔｕｒｅ　ｓｐａｃｅ　Ｚ．　Ｔｈｅ　ｔｅｒｍｉｎａｔｉｎｇ　ｓｔｅｐ　ｏｆ　ｔｈｅ　ｐｒｏｃｅｄｕｒｅ　ｉｓ　ｔｈｅ　ｔｈｅ　ｖｉｄｅｏ　ｒｅｃｏｒｄｉｎｇｓ．ａｎｄ　ｅｒｒｏｒｓ　ｉｎ　ｔｈｅ　ＰＤ　ｄｅｔｅｃｔｉｏｎ　ｄｕｅ　ｔｏ　ｂｌｉｎｋｓ　ａｎｄ　ｓａｃｃａｄｅｓ　ｗｅｒｅ　ｅｌｉｍｉｎａｔｅｄ　ｅｖｏｌｕｔｉｏｎａｒｙ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｔｈｅ　ｌｉｆｔｉｎｇ　ｓｃｈｅｍｅ　ｆｉｌｔｅｒｓ　Ｅｑ．（５）ｂｙ　ｕｓｉｎｇ　ＧＡｓ　ｕｎｄｅｒ　ｃｏｎｓｔｒａｉｎｔｓ　Ｅｑｓ．（８）ａｎｄ（９）　Ｔｈｅ　ｃｏｎｓｔｒａｉｎｓ　ｓｅｃｕｒｅ　ｔｈｅ　ｌｉｎｅａｒ　ｐｈａｓｅ，ｓｙｍｍｅｔｒｙ，　ｃｏｍｐａｃｔ　ｓｕｐｐｏｒｔ，ａｎｄ　ｎｏｒｍａｌｉｚａｔｉｏｎ　ｏｆ　ｌｉｆｔｉｎｇ　ｆｉｌｔｅｒｓ，　ｉｎ　ｏｔｈｅｒ　ｗｏｒｄｓ，ｔｈｅ　ａｓｓｏｃｉａｔｅｄ　ｗａｖｅｌｅｔ　ａｎｄ　ｓｃａｌｉｎｇ　ｆｕｎｃｔｉｏｎｓ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｄｕｅ　ｔｏ　Ｅｑｓ．（８）ａｎｄ（９）ｔｈｅ　ＧＡｓ　ｏｎｌｙ　ｅｖｏｌｖｅ　Ｎ　／２＋Ｎ　／２—１　ｖａｌｕｅｓ．　２．２　Ｄｒｉｖｉｎｇ　Ｓｉｍｕｌａｔｉｏｎ　Ｅｘｐｅｒｉｍｅｎｔ　Ｉｎ　ａ　ｃｕｓｔｏｍ　ｍａｄｅ　ｄｒｉｖｉｎｇ　ｓｉｍｕｌａｔｏｒ，ａ　ｓｕｂｊｅｃｔ　ｓａｔ　ｃｏｍｆｏｒｔａｂｌｙ　ｏｎ　ｔｈｅ　ｄｒｉｖｅｒ’ｓ　ｓｅａｔ　ｅｑｕｉｐｐｅｄ　ｗｉｔｈ　ａ　ｓｔｅｅｒｉｎｇ　ｗｈｅｅｌ，ｂｒａｋｅ　ａｎｄ　ａｃｃｅｌｅｒａｔｏｒ　ｐｅｄａｌｓ（Ｌｏｇｉｃｏｏｌ　ＰＲＣ—ｌ　１０００、ｉｎ　ａ　ｄａｒｋ　ｒｏｏｍ．Ｔｈｅ　ｓｕｂｊｅｃｔ　ｗｏｒｅ　ａ　ｇｏｇｇｌｅ（Ｎｅｗｏｐｔｏ　ＥＴ－６０一Ｌ）ｗｉｔｈ　２　ＣＣＤ　ｃａｍｅｒａｓ　ｅａｃｈ　ｏｆ　ｗｈｉｃｈ　ｔａｋｅｓ　ｉｎｆｒａｒｅｄ　ｉｍａｇｅｓ　ｏｆ　ｅａｃｈ　ｅｙｅ　ａｔ　ｔｈｅ　ｒｆａｍｅ　ｒａｔｅ　ｏｆ　２９．９７　ｆｐｓ（ＮＴＳＣ）．Ｂｒｉｇｈｔｎｅｓｓ　ａｎｄ　ｃｏｎｔｒａｓｔ　ｏｆ　ｔｈｅ　ｐｒｏｊｅｃｔｏｒ　ｔｈａｔ　ｐｒｅｓｅｎｔｓ　ｄｒｉｖｉｎｇ　ｓｉｍｕｌａｔｉｏｎ　ｉｍａｇｅｓ　ｗｅｒｅ　ａｄｊｕｓｔｅｄ　ｆｏｒ　ｅａｃｈ　ｓｕｂｊｅｃｔ　ｓｏ　ｔｈａｔ　ｔｈｅ　ｉｎｉｔｉａｌ　ＰＤ　ｂｅｃａｍｅ　ｉｎ　ｉｔｓ　ｉｎｔｅｒｍｅｄｉａｔｅ　ｓｉｚｅ　（ａｒｏｕｎｄ　６　ｍｍ）．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｉｍａｇｅ　ｇｅｎｅｒａｔｅｄ　ｂｙ　ａ　ＰＣ　ｉｓ　ｐｒｏｊｅｃｔｅｄ　ｏｎｔｏ　ｔｈｅ　ｓｃｒｅｅｎ　ａｔ　２．６４　ｍ　ａｗａｙ　ｆｒｏｍ　ｔｈｅ　ｓｕｂｊｅｃｔ’ｓ　ｅｙｅ．Ｔｈｅ　ｈｏｒｉｚｏｎｔａｌ　ａｎｄ　ｖｅｒｔｉｃａｌ　ｖｉｓｕａｌ　ａｎｇｌｅｓ　ｏｆ　ｔｈｅ　ｉｍａｇｅ　ａｒｅ±１２．１　ａｎｄ±１０．７　ｄｅｇ．　ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｓｕｂｊｅｃｔｓ　ｗｅｒｅ　ｉｎｓｔｒｕｃｔｅｄ　ｔｏ　ｆｏｌｌｏｗ　ｔｈｅ　ｃａｒ　ｉｎ　ｆｒｏｎｔ，ｄｒｉｖｉｎｇ　ｓｔｒａｉｇｈｔ　ｏｎ　ｔｈｅ　ｓｔｒａｉｇｈｔ　ｒｏａｄ　ａｔ　ｔｈｅ　ｍａｘｉｍｕｍ　ｓｐｅｅｄ（ｍｏｎｏｔｏｎｏｕｓ　ｄｒｉｖｉｎｇ　ｓｉｔｕａｔｉｏｎ）．Ｏｎｌｙ　ｔｈｅ　ｗｈｉｔｅ　ｌａｎｅ　ｍａｒｋｉｎｇｓ　ａｎｄ　ｔｅｘｔｕｒｅ　ｏｆ　ｌａｗｎ　ｏｎ　ｔｈｅ　ｓｈｏｕｌｄｅｒ　ｏｆ　ｔｈｅ　ｒｏａｄ　ｍｏｖｅ　ｒａｄｉａｌｌｙ　ｂａｃｋｗａｒｄ　ｄｅｐｅｎｄｉｎｇ　ｏｎ　ｔｈｅ　ｓｐｅｅｄ　ｏｆ　ｔｈｅ　ｃａｒ　ｄｕｒｉｎｇ　ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ．Ｅｖｅｒｙ　ｔｗｏ　ｍｉｎｕｔｅｓ　ｔｈｅ　ｓｕｂｊ　ｅｃｔ　ｗａｓ　ａｓｋｅｄ　ｔｏ　ｉｎｆｏｒｍ　ｈｉｓ／ｈｅｒ　ｓｌｅｅｐｉｎｅｓｓ　ｌｅｖｅｌ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｆｏｌｌｏｗｉｎｇ　ｔｈｒｅｅ　ｓｃａｌｅｓ　０：ａｗａｋｅ．１：ｎｏｔ　ｓｕｒｅ　ｉｆ　ｓｌｅｅｐｙ　ｏｒ　ｎｏｔ．　２：　ｓｌｅｅｐｙ．　Ｓｕｂｊｅｃｔ　ｒｅｃｒｕｉｔｍｅｎｔ　ａｎｄ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｐｒｏｃｅｄｕｒｅｓ　ｆｏｒ　ｔｈｉｓ　ｓｔｕｄｙ　ｃｏｎｆｏｒｍｅｄ　ｔｏ　ｔｈｅ　Ｄｅｃｌａｒａｔｉｏｎ　ｏｆ　Ｈｅｌｓｉｎｋｉ　ａｎｄ　ａｌｌ　ａｐｐｒｏｖｅｄ　ｂｙ　ｔｈｅ　ｈｕｍａｎ　ｒｅｓｅａｒｃｈ　ｃｏｍｍｉｔｔｅｅ　ｏｆ　Ｃｈｕｂｕ　Ｕｎｉｖｅｒｓｉｔｙ．Ａｌｌ　ｓｕｂｊｅｃｔｓ　ｈａｄ　ｇｉｖｅｎ　ｔｈｅｉｒ　ｉｎｆｏｒｍｅｄ　ｃｏｎｓｅｎｔ．　ａｕｔｏｍａｔｉｃａｌｌｙ［１　２］．Ｔｈｅ　ｅｌｉｍｉｎａｔｅｄ　ｐｅｒｉｏｄｓ　ｏｆ　ｄａｔａ　ｗｅｒｅ　ｉｎｔｅｒｐｏｌａｔｅｄ　ｂｙ　ａ　ｃｕｂｉｃ　ｆｕｎｃｔｉｏｎ．Ｔｈｅｎ　２．ｍｉｎｕｔｅｓ　ｓｅｇｍｅｎｔｓ　ｗｅｒｅ　ｅｘｔｒａｃｔｅｄ　ａｎｄ　ｃａｔｅｇｏｒｉｚｅｄ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｓｅｌｆ＿ｓｌｅｅＤｉｎｅｓｓ　ｌｅｖｅ１．　３．Ｒｅｓｕｌｔｓ　３．１　ＰＤ　ｄｕｒｉｎｇ　Ｄｒｉｖｉｎｇ　Ｓｉｍｕｌａｔｉｏｎ　Ａ　ｔｏｔａｌ　ｏｆ　３　１　ｈｅａｌｔｈｙ　ｓｕｂｊｅｃｔｓ　ｆｍｅａｎ　ＳＤ：２２．８±　７．１　ｙｅａｒｓ　ｏｌｄ）ｐａｒｔｉｃｉｐａｔｅｄ　ｉｎ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ．Ｆｉｇ．１　ｉｌｌｕｓｔｒａｔｅｓ　ｔｈｅ　ｃｈａｎｇｅ　ｉｎ　ＰＤ　ｄｕｒｉｎｇ　ｔｈｅ　ｍｏｎｏｔｏｎｏｕｓ　ｄｒｉｖｉｎｇ　ｓｉｔｕａｔｉｏｎ　ｓｉｍｕｌａｔｉｏｎ　ｏｆ　ａ　ｔｙｐｉｃａｌ　ｓｕｂｊｅｃｔ　ｗｉｔｈ　ａ　ｒｅｌａｔｉｖｅｌｙ　ｓｔｅａｄｙ　ｓｔａｔｅ　ｕｎｔｉｌ　１　０　ｍｉｎ　ｆｏｌｌｏｗｅｄ　ｂｙ　ｇｒａｄｕａｌ　ｄｅｃｒｅａｓｅ　ｉｎ　ａｖｅｒａｇｅ　ＰＤ　ｕｎｔｉｌ　１　３　ｍｉｎ　ａｎｄ　ｌａｒｇｅ　ｌｏｗ　ｆｒｅｑｕｅｎｃｙ　ｆｌｕｃｔｕａｔｉｏｎ　ａｆｔｅｒ　ｔｈａｔ．Ｉｎ　ｔｏｔａｌ　ｔｈｅｒｅ　ａｒｅ　１　５０　ｓｅｇｍｅｎｔｓ　ｂｅｌｏｎｇｉｎｇ　ｔｏ　ｓｔａｔｅ　０　ｌａｂｅｌｌｅｄ　ａｓ　ｃｌａｓｓ　Ａ，　９８　ｏｆ　ｓｔａｔｅ　１　ｌａｂｅｌｌｅｄ　ａｓ　ｃｌａｓｓ　Ｂ．ａｎｄ　１３１　ｏｆ　ｓｔａｔｅ　２　ｒｅｆｅｒｒｅｄ　ｔｏ　ａｓ　ｃｌａｓｓ　Ｃ．Ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉ０ｎ　ｔａｓｋ　ｕｎｄｅｒ　ｃｏｎｓｉｄｅｒａｔｉｏｎ　ｉｓ　ａ　ｔｗｏ－ｃｌａｓｓ　ｐｒｏｂｌｅｍ　ｇｉｖｅｎ　ｂｙ　ｃｌａｓｓ　Ａ　ａｎｄ　Ｃ（七＝２　ｃｌａｓｓｅｓ，Ｎ＝３５９６　ｓａｍｐｌｅｓ，ｎ：２８１　ｓｅｇｍｅｎｔｓ）．Ｃｌａｓｓ　Ｂ　ｈａｓ　ｎｏｔ　ｂｅｅｎ　ｉｎｃｌｕｄｅｄ　ｉｎ　ｔｈｅ　ｐｒｅｓｅｎｔ　ｓｔｕｄｙ　ｂｅｃａｕｓｅ　ｔｈｅ　ｂｏｕｎｄａｒｉｅｓ　ｏｆ　ａｗａｋｅ　ａｎｄ　ｓｌｅｅｐｙ　ａｒｅ　ｓｏｍｅｔｉｍｅｓ　ｈａｒｄ　ｔｏ　ｄｅｃｉｄｅ　ｓｕｂｊｅｃｔｉｖｅｌｙ．　３．２　Ｎｅｗ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎｆｏｒ　ＰＤ　Ａｎａｌｙｓｉｓ　Ｉｎ　ｔｈｅ　ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　ｔｈｅ　ｎｅｗ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｏｆｒ　ｔｈｅ　ＰＤ　ｄａｔａ　ａ　ｍａｊｏｒ　ｓｔｅｐ　ｉｓ　ｔｈｅ　ＧＡ——ｂａｓｅｄ　ｏｐｔｉｍｉｚａｔｉｏｎ．Ｒｅｇａｒｄｉｎｇ　ｔｈｅ　ＧＡ，ｔｈｅ　ｆｏｌｌｏｗｉｎｇ　ｆｉｖｅ　ｐａｒａｍｅｔｅｒｓ　ｍｕｓｔ　ｂｅ　ｓｅｌｅｃｔｅｄ：（１）ｔｈｅ　ａｒｉｔｈｍｅｔｉｃ　ｏｐｅｒａｔｏｒ；　（２）ｔｈｅ　ｍｕｔａｔｉｏｎ　ｏｐｅｒａｔｏｒ；（３）ｔｈｅ　ｐｏｐｕｌａｔｉｏｎ　ｓｃａｌｅ；（４）ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｇｅｎｅｒａｔｉｏｎｓ　ａｎｄ　（５）ｔｈｅ　ｂｏｕｎｄｓ　ｏｆ　ｉｔｅｒａｔｉｏｎ．Ｐａｒａｍｅｔｅｒｓ（１）ｔｏ（４）ｃａｎ　ｂｅ　ｓｅｔ　ｄｉｒｅｃｔｌｙ　ｆｒｏｍ　ｌｉｔｅｒａｔｕｒｅ【ｌ】．Ｂｅｓｉｄｅｓ，ｔｈｅ　ａｒｉｔｈｍｅｔｉｃ　ｃｒｏｓｓｏｖｅｒ　ａｎｄ　ｎｏ　ｕｎｉｏｆＩＴＲ　ｍｕｔａｔｉｏｎ　ｏｐｅｒａｔｏｒｓ　ａｒｅ　ｅｍｐｌｏｙｅｄ　ａｓ　ｒｅｃｏｍｍｅｎｄｅｄ　ｉｎ　Ｒｅｆ．［１］．　Ｆｏｒ　ｔｈｅ　ｓａｋｅ　ｏｆ　ｓｉｍｐｌｉｃｉｔｙ，ｔｈｅ　ｐｏｐｕｌａｔｉｏｎ　ｓｃａｌｅ　ｉｓ　ｓｅｔ　ｔＯ　ｂｅ　３０．ｗｈｅｒｅａｓ　ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｇｅｎｅｒａｔｉｏｎｓ　ｉｓ　ｓｅｔ　

Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　５８９　ｅｑｕａｌ　ｔｏ　２０．Ｔｈｅ　ｉｔｅｒａｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｔｈｅ　ＧＡ　ａｒｅ　ｓｅｌｅｃｔｅｄ　ｔｏ　ｒａｎｇｅ　ｗｉｔｈｉｎ　ｔｈｅ　ｉｎｔｅｒｖａｌ［－０．５，０．５］，ｗｈｉｃｈ　ａｒｅ　ｐｏｓｓｉｂｌｅ　ｖａｌｕｅｓ　ｆｏｒ　ｔｈｅ　ｐｒｅｄｉｃｔｏｒ　ａｎｄ　ｕｐｄａｔｅ　ｃｏｅｆｉｆｃｉｅｎｔｓ　ｔｈａｔ　ｍｅｅｔ　ｔｈｅ　ｎｏｒｍａｌｉｚａｔｉｏｎ　ｃｏｎｓｔｒａｉｎｔｓ　Ｅｑ．　（９）．Ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｐａｒａｍｅｔｅｒｓ　ｔｏ　ｂｅ　ｏｐｔｉｍｉｚｅｄ　ｄｕｒｉｎｇ　ｔｈｅ　ＧＡ　ｐｒｏｃｅｄｕｒｅ　ｆｏｒ　Ｎｐ＝　＝６　ｆｏｕｒ　Ｔｈｅ　ｗａｖｅｌｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｌｅｖｅｌ　ｉｓ　ｓｅｔ　ｔｏ　ｓｉｘ　ｓｏ　ｔｈａｔ　ｔｈｅ　ｆｒｅｑｕｅｎｃｙ　ｂａｎｄ　ｓｐａｎｎｅｄ　ｂｙ　，ｗ　ａｎｄ　ｗ　（ａｐｐｒｏｘｉｍａｔｉｏｎ　ｃｏｅｆｉｆｃｉｅｎｔ　ａｔ　ｌｅｖｅｌ　ｓｉｘ，ｄｅｔａｉｌ　ｃｏｅｆｉｆｃｉｅｎｔｓ　ｏｆ　ｌｅｖｅｌ　ｓｉｘ　ａｎｄ　ｆｉｖｅ），ｒｅｓｉｄｅ　ｗｉｔｈｉｎ　ｔｈｅ　ｉｎｔｅｒｖａｌ【０，１］Ｈｚ　ｗｈｅｒｅ　ｄｉｓｃｒｉｍｉｎａｎｔ　ｉｎｆｏｒｍａｔｉｏｎ　ｒｅｌａｔｅｄ　ｗｉｔｈ　ｒｅｓｐｉｒａｔｏｒｙ　ｃｏｍｐｏｎｅｎｔｓ　ｈａｓ　ｂｅｅｎ　ｉｄｅｎｔｉｉｆｅｄ　ｆｏｒ　ｐｕｐｉｌ　ｄｉａｍｅｔｅｒ［１３］．Ｔｈｅ　ｓｅｔ　ｏｆ　ｍｅｔｒｉｃｓ　ｔｈａｔ　ｃｏｍｐｏｓｅｄ　Ｚ　ａｒｅ　ｔｈｒｅｅ，ａｎｄ　ｇｉｖｅｎ　ｔｈａｔ　ｏｎｌｙ　ｔｈｒｅｅ　ｗａｖｅｌｅｔ　ｓｐａｃｅｓ　ａｒｅ　ｃｏｎｓｉｄｅｒｅｄ，ｉ－ｅ．，ｗ　’ｗ　’，，ａｎｄ　（　＝９）：ｔｈｅ　ａｖｅｒａｇｅ　ｎｏｎ－ｌｉｎｅａｒ　ｅｎｅｒｇｙ，ａｌｓｏ　ｋｎｏｗｎ　ａｓ　Ｔｅａｇｅｒ’ｓ　ｏｐｅｒａｔｏｒ　Ｅｑ．（１　５），ｔｈｅ　ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｖａｌｕｅ　Ｅｑ．（１　６），ａｎｄ　ｔｈｅ　ｖａｒｉａｂｉｌｉｔｙ　ｏｆ　ａｂｓｏｌｕｔｅ　ｃｏｅ师ｃｉｅｎｔｓ　Ｅｑ．（１　７）．Ｓｕｃｈ　ｍｅｔｒｉｃｓ　ｗｅｒｅ　ｓｅｌｅｃｔｅｄ　ａｍｏｎｇ　ａ　ｓｅｔ　ｏｆ　ｓｔａｔｉｓｔｉｃａｌ　ｍｏｍｅｎｔｓ　ｅｍｐｌｏｙｅｄ　ｉｎ　ｐｒｅｖｉｏｕｓ　ｗｏｒｋｓ【１】．Ｏｎｌｙ　ｔｈｒｅｅ　ｍｅｔｒｉｃｓ　ａｒｅ　ｅｍｐｌｏｙｅｄ　ｔｏ　ａｌｌｏｗ　ｔｈｅ　ｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ｔｈｒｅｃ｝＿　ｉｍｅｎｓｉｏｎａｌ　ｆｅａｔｕｒｅ　ｓｐａｃｅｓ　ａｎｄ　ｈｅｎｃｅ　ｔｏ　ａｌｌｏｗ　ｉｔｓ　ｖｉｓｕａｌ　ｉｎｓｐｅｃｔｉｏｎ．Ｔｏ　ａｖｏｉｄ　ｌｏｃａｌ　ｍｉｎｉｍａ　ｉｎ　ｔｈｅ　ＧＡ　ｃｏｎｖｅｒｇｅｎｃｅ，ａｂｏｖｅ　ｓｔｅｐｓ　ａｒｅ　ｒｅｐｅａｔｅｄ　ｔｅｎ　ｔｉｍｅｓ　ｗｉｔｈ　ｒａｎｄｏｍ　ｉｎｉｔｉａｌｉｚａｔｉｏｎｓ．Ｔｈｕｓ，ｔｅｎ　ｎｅｗ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ａｒｅ　ｇｅｎｅｒａｔｅｄ．Ｔｈｅ　ｂｅｓｔ　ｍｏｔｈｅｒ　ｗａｖｅｌｅｔ　ｉｓ　ｓｅｌｅｃｔｅｄ　ａｓ　ｔｈｅ　ｏｎｅ　ｗｉｔｈ　ｔｈｅ　ｌａｒｇｅｓｔ　ｖａｌｕｅ　Ｅｑ．（１　４），ｆｏｒ　ｔｈｅ　ｃｕｒｒｅｎｔ　ａｐｐｌｉｃａｔｉｏｎ　ｔｈｅ　ｂｅｓｔ　ｏｎｅ　ｃｏｒｒｅｓｐｏｎｄｅｄ　ｔｏ　ｔｈｅ　ｏｐｅｒａｔｏｒｓ　“：ｆ．０，０３３．０，０３９　０，３２２　０，３２２—０，０３９－０，０３３】，ａｎｄ　ｐ：［０，０１３—０，０２７　０，５１４　０，５１４－０，０２７　０，０１３】・　Ｆｉｇ．２　ｄｅｐｉｃｔｓ　ｔｈｅ　ｎｅｗ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ（ａ　ａｎｄ　ｂ）　ｔｈａｔ　ｗａｓ　ｃａｌｃｕｌａｔｅｄ　ｆｒｏｍ　ｕ　ａｎｄ　Ｐ，ｒｅｓｐｅｃｔｉｖｅｌｙ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｒｅｖｅｒｓｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｍｅｔｈｏｄ［１　４１，ａｌｏｎｇ　ｗｉｔｈ　ｔｗｏ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔｓ，Ｄａｕｂｅｃｈｉｅｓ　ａｎｄ　Ｓｙｍｌｅｔ　ｏｆ　ｏｒｄｅｒ　ｆｏｕｒ　ａｎｄ　ｓｉｘ，ｒｅｓｐｅｃｔｉｖｅｌｙ（ｃ）．Ａｓ　ｃａｎ　ｂｅ　ｓｅｅｎ　ｔｈｅ　ｍａｉｎ　ａｄｖａｎｔａｇｅ　ｏｆ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄｏｌｏｇｙ　ｉｓ　ｔｈａｔ　ｔｈｅ　ｓｙｍｍｅｔｙｒ　ａｎｄ　ｃｏｍｐａｃｔ　ｓｕｐｐｏｒｔ　ｏｆ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｃａｎ　ｂｅ　ｓｅｃｕｒｅ　ｂｙ　ｅｍｐｌｏｙｉｎｇ　ｔｈｅ　ｃｏｎｓｔｒａｉｎｅｄ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｎ　ｔｈｅ　ＧＡ．Ａｄｄｉｔｉｏｎａｌｌｙ，ｉｔ　ｉｓ　ｉｍｐｏｒｔａｎｔ　ｔｏ　ｎｏｔｉｃｅ　ｔｈａｔ　ｓｉｎｃｅ　ｔｈｅ　ｔｒａｉｎｉｎｇ　ｓｅｔ　Ｘ　ｅ　ｉｓ　ｃｏｍｐｏｓｅｄ　ｏｆ　ａｃｔｕａｌ　ＰＤ　ｄａｔａ，ｔｈｅ　ｔｅｍｐｏｒａｌ　ａｎｄ　ｒｆｅｑｕｅｎｃｙ　ｒｅｓｐｏｎｓｅ　ｏｆ　ｕ　ａｎｄ　Ｐ　ｍｕｓｔ　ｈａｖｅ　ｂｅｅｎ　ｃｕｓｔｏｍｉｚｅｄ　ｔｏ　ｅｘｔｒａｃｔ　ｆｅａｔｕｒｅｓ　ｉｎ　ＰＤ　ｆｌｕｃｔｕａｔｉｏｎ，　ｗｈｅｒｅａｓ　ｔｈｅ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔｓ　ａｒｅ　ｎｏｎ－ｓｙｍｍｅｔｒｉｃａｌ　ａｎｄ　ｄｏ　ｎｏｔ　ｅｘｈｉｂｉｔ　ｍａｊｏｒ　ｓｐｅｃｉａｌｉｚａｔｉｏｎ　ｏｎ　ｔｅｍｐｏｒａｌ　ａｎｄ　ｒｆｅｑｕｅｎｃｙ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆＰＤ　ｆｌｕｃｔｕａｔｉｏｎ［５］．　３．３　Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｔｏ　ｅｖａｌｕａｔｅ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｔｈｅ　ｎｅｗ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ，ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｓｃｏｒｅｓ　ｏｆ　ｓｌｅｅｐｙ　ａｎｄ　ａｗａｋｅ　ｓｔａｔｅｓ　ｃｌａｓｓｅｓ　Ｃ　ａｎｄ　Ａ　ｒｅｓｐｅｃｔｉｖｅｌｙ，ａｒｅ　ｃａｌｃｕｌａｔｅｄ．　Ｓｉｎｃｅ　ａ　ｃｌａｓｓｉｉｆｅｒ　ｍｅｔｈｏｄ　ｓｕｃｈ　ａｓ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ　ｏｒ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ｍａｙ　ｉｎｃｒｅａｓｅ　ｔｈｅ　ｄｉｓｃｒｉｍｉｎａｔｉｏｎ　ａｐｔｉｔｕｄｅ　ｏｆ　ｚ，ｈｅｒｅ　ａ　ｂａｓｉｃ　ｌｉｎｅａｒ　Ｂａｙｅｓ　ｃｌａｓｓｉｆｉｅｒ　ｉｓ　ｕｓｅｄ　ｓｏ　ｔｈａｔ　ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｒａｔｅｓ　ｗｉｌｌ　ｎｏｔ　ｂｅ　ｅｎｈａｎｃｅｄ　ｂｙ　ｔｈｅ　ｃｌａｓｓｉｆｉｅｒ．Ｆｏｕｒ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ｆａｍｉｌｉｅｓ　ｗｉｔｈ　ｄｉｆｅｒｅｎｔ　ｓｕｐｐｏｒｔｓ　ａｒｅ　ｃｏｎｓｉｄｅｒｅｄ　ｆｏｒ　ｃｏｍｐａｒｉｓｏｎ：Ｄａｕｂｅｃｈｉｅｓ　ｏｆ　ｏｒｄｅｒ　ｔｗｏ，　ｆｏｕｒ　ａｎｄ　ｓｉｘ（ｄｂ２，ｄｂ４，ｄｂ６），Ｓｙｍｌｅｔ　ｏｆ　ｏｒｄｅｒ　ｔｗｏ，ｆｏｕｒ　ａｎｄ　ｓｉｘ（ｓｙｍ２，ｓｙｍ４，ｓｙｍ６），Ｂｉｏｒｔｈｏｇｏｎａｌ　ｏｆ　ｏｒｄｅｒ　ｔｗｏ　ａｎｄ　ｆｏｕｒ（ｂｉｏｒ２，ｂｉｏｒ４），Ｃｏｉｌｆｅｔ　ｏｆ　ｏｒｄｅｒ　ｏｎｅ　ａｎｄ　ｆｏｕｒ（ｃｏｉｆｌ，ｃｏｉｆ４）．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｙｉｅｌｄｅｄ　ｂｙ　ｔｈｅ　ｂｅｓｔ．ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ａｒｅ　ａｌｓｏ　ｓｈｏｗｎ　ｉｎ　Ｔａｂｌｅ　２．Ｏｕｔｃｏｍｅｓ　ａｒｅ　ｐｒｅｓｅｎｔｅｄ　ｉｎ　ｔｅｒｍｓ　ｏｆ　ｔｈｅ　Ｔｙｐｅ　Ｉ　ａｎｄ　Ｔｙｐｅ　ＩＩ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｅｒｒｏｒ．Ｔｈｅ　ｆｏｒｍｅｒ　ｅｖａｌｕａｔｅｓ　ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ｓｌｅｅｐｙ　ｓｔａｔｅｓ，ｗｈｉｃｈ　ａｒｅ　ｍｉｓｃｌａｓｓｉｆｉｅｄ，ｗｈｉｌｅ　ｔｈｅ　ｌａｔｅｒ　ｅｖａｌｕａｔｅｓ　ｔｈｅ　ｎｕｍｂｅｒ　ｏｆ　ａｗａｋｅ　ｓｔａｔｅｓ　ｃｌａｓｓｉｆｉｅｄ　ａｓ　ｓｌｅｅｐｙ　ｓｔａｔｅｓ．　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｓｈｏｗｅｄ　ｔｈａｔ　ｔｈｅ　ｂｅｓｔ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｏｕｔｐｅｒｆｏｒｍｅｄ　ｔｈｅ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔｓ　ｆｏｒ　ｔｈｅ　ｃｕｒｒｅｎｔ　ａｐｐｌｉｃａｔｉｏｎ　ｉｎ　ＰＤ　ｆｌｕｃｔｕａｔｉｏｎ　ａｎａｌｙｓｉｓ．Ｉｎ　ｐａｒｔｉｃｕｌａｒ　Ｔｙｐｅ　Ｉ　ｅｒｒｏｒ　ａｃｈｉｅｖｅｄ　ｗｉｔｈ　ｔｈｅ　ｎｅｗ　ｗａｖｅｌｅｔ　ｉｓ　ｌｏｗｅｒ　ｔｈａｎ　ｔｈｅ　ｃｌａｓｓｉｃａｌ　ｏｎｅｓ．Ｉｎｄｅｅｄ，　ｔｈｅ　ｃｌａｓｓｉｆｉｅｒ　ｉｓ　ａｂｌｅ　ｔｏ　ｒｅａｃｈ　ｌｏｗ　Ｔｙｐｅ　Ｉ　ｅｒｒｏｒ　ｒａｔｅ　（２０％），ｉｎ　ｏｔｈｅｒ　ｗｏｒｄｓ，ｏｆ　４０　ｓｌｅｅｐｙ　ｓｔａｔｅｓ　ｓａｍｐｌｅｓ　ｆｅｄ　ｔｏ　ｔｈｅ　ｃｌａｓｓｉｆｉｅｒ，８　ｗｅｒｅ　ｅｒｒｏｎｅｏｕｓｌｙ　ｌａｂｅｌｌｅｄ　ａｓ　ａｗａｋｅ　

５９０　Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　ｓｔａｔｅｓ（１ｏｗｅｒ　ｔｈａｎ　ｒｅｐｏｒｔｅｄ　ｓｃｏｒｅｓ［１　５】）．Ｉｔ　ｉｓ　ｉｍｐｏｒｔａｎｔ　ｔｏ　ｎｏｔｉｃｅ　ｔｈａｔ　ｔｈｅ　ｂｉｏｒ２　ｗａｖｅｌｅｔ　ａｃｈｉｅｖｅｄ　ｓｉｍｉｌａｒ　Ｔｙｐｅ　３　４　６　ＤａｔａＰｏｉｎｔｓ　牡罄嚣ｌｌｌ王∞ｌ｝　童啦孵０＾　浒　聪　嚣廿０蚕　毒ｌ１　拍霹　警罅ｌ＿ｌ０ｄ　舶　｜｜　；｜＇篓　Ｄａｌａ　Ｐｏｉｎｔｓ　Ｆｉｇ．２　Ｔｅｍｐｏｒａｌ（ｕｐｐｅｒ）ａｎｄ　ｆｒｅｑｕｅｎｃｙ　ｒｅｓｐｏｎｓｅ（１ｏｗｅｒ）ｏｆ　ｔｈｅ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ｃｒｅａｔｅｄ　ｆｏｒ　ＰＤ　ｌｆｕｃｔｕａｔｉｏｎ　ａｎａｌｙｓｉｓ（ａ，ｂ），　ａｎｄ　ｔｗｏ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　Ｄａｕｂｅｃｈｉｅｓ　ｗａｖｅｌｅｔ　ｏｆ　ｏｒｄｅｒ　４（ｄｏｔｅｄ　ｌｉｎｅｓ），ａｎｄ　Ｓｙｍｌｅｔ　ｗａｖｅｌｅｔ　ｏｆ　ｏｒｄｅｒ　６（ｓｏｌｉｄ　ｌｉｎｅｓ）（ｄ，　ｅ）．Ｓｈａｄｏｗｓ　ｒｅｐｒｅｓｅｎｔ　ｔｈｅ　ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ（ＭＳＥ　Ｎ＝１０）ｉｎ　ｔｈｅ　ＧＡ　ｐｒｏｃｅｄｕｒｅ，ｗｈｉｌｅ　ｔｈｅ　ｂｏｌｄ　ｌｉｎｅ　ｉｎｄｉｃａｔｅｓ　ｔｈｅ　ｗａｖｅｌｅｔ　ｗｉｔｈ　ｔｈｅ　ｌａｒｇｅｓｔ　ｆｉｔｎｅｓｓ　ｆｕｎｃｔｉｏｎ．Ｎｏｔｅ　ｔｈａｔ　ｆｒｅｑｕｅｎｃｙ　ａｘｉｓ　ｈａｓ　ｂｅｅｎ　ｎｏｒｍａｌｉｚｅｄ　ｂｙ兀．　Ｔａｂｌｅ　２　Ｔｙｐｅ　Ｉ　ａｎｄ　Ｔｙｐｅ　ＩＩ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｅｒｒｏｒｓ　ｗｉｔｈ　ｃｌａｓｓｉｃａｌ　ａｎｄ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　｛囊Ｃ１ａｓｓ　Ａ　Ｏ．８　豢Ｃｌａｓｓ　Ａ　１。５　承Ｃｌａｓｓ　Ｃ　露Ｃｌａｓｓ　Ｃ　Ｏ．　５　Ｆｉｇ．３　Ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ　ｆｅａｔｕｒｅ　ｓｐａｃｅｓ　ｃｏｎｓｔｒｕｃｔｅｄ　ｗｉｔｈ　ａ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ（ｂｉｏｒ２）（ｒｉｇｈｔ）ａｎｄ　ｗｉｔｈ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎｓ　ｎ　ａｎｄ　ｐ（１ｅｆｔ）．　

Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　５９１　Ｉ　ｒａｔｅ，ｈｏｗｅｖｅｒ　ｔｈｅ　Ｔｙｐｅ　ＩＩ　ｅｒｒｏｒ　ｉｓ　ｈｉｇｈｅｒ　ｔｈａｎ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｏｎｅ．Ｒｅｇａｒｄｉｎｇ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｔｈａｔ　ｙｉｅｌｄｅｄ　ｔｈｅ　ｌｏｗｅｒ　ｆｉｔｎｅｓｓ　ｆｕｎｃｔｉｏｎ。ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｅｒｒｏｒ　Ｔｙｐｅ　Ｉ　ａｎｄ　Ｔｙｐｅ　Ｉ１　ｗｅｒｅ　２　１．５％　ａｎｄ　３４．２％．ｒｅｓｐｅｃｔｉｖｅｌｙ。ｗｈｉｃｈ　ａｒｅ　ｌｏｗｅｒ　ｔｈａｎ　ｓｏｍｅ　ｏｆ　ｔｈｅ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔｓ．　Ｒｅｆｅｒｅｎｃｅｓ　【１】　Ｒ．Ｐ．Ｍｏｒａｌｅｓ，Ａ．Ｏ．Ｇｕｔｉｅｒｒｅｚ，Ｇ．Ｃ．Ｄｏｍｉｎｇｕｅｚ，Ｎｏｖｅｌ　ｓｉｇｎａｌ　ｄｅｐｅｎｄｅｎｔ　ｆｉｌｔｅｒ　ｂａｎｋ　ｍｅｔｈｏｄ　ｆｏｒ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　ｍｕｌｔｉｐｌｅ　ｂａｓａｌ　ｇａｎｇｌｉａ　ｎｕｃｌｅｉ　ｉｎ　ｐａｒｋｉｎｓｏｎｉａｎ　ｐａｔｉｅｎｔｓ，　Ｊｏｕｒｎａｌ　Ｎｅｕｒａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　８（２０１　１）２６－３６．　【２】　Ｇａｎｄｈｉ，Ｂ．Ｋ．Ｐａｎｉｇｒａｈｉ，Ｓ．Ａｎａｎｄ，Ａ　ｃｏｍｐａｒａｔｉｖｅ　ｓｔｕｄｙ　ｏｆ　ｗａｖｅｌｅｔ　ｆａｍｉｌｉｅｓ　ｆｏｒ　ｅｅｇ　ｓｉｇｎａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　３．４　Ｇｅｎｅｒａｔｅｄ　Ｆｅａｔｕｒｅ　Ｓｐａｃｅ　Ｆｉｇ．３　ｄｅｐｉｃｔｓ　ｔｈｅ　ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ　ｆｅａｔｕｒｅ　ｓｐａｃｅｓ　ｇｅｎｅｒａｔｅｄ　ｂｙ　ｐｌｏｔｔｉｎｇ　ｍｅｔｒｉｃ　２，１　ａｇａｉｎｓｔ　３，２，ｔｈａｔ　ｉｓ，　ｍｅｔｒｉｃ　Ｅｑ．（１　６）ｃｏｍｐｕｔｅｄ　ｆｏｒ　ｔｈｅ　ｗａｖｅｌｅｔ　ｓｐａｃｅ　ｗ６　ａ　ａｇａｉｎｓｔ　ｔｈｅ　ｍｅｔｒｉｃ　Ｅｑ．（１　７）ｅｖａｌｕａｔｅｄ　ｉｎ　ｗａｖｅｌｅｔ　ｓｐａｃｅ　ｗ５　ｄ．Ｒｅｓｕｌｔｓ　ｆｏｒ　ｂｏｔｈ　ｔｈｅ　ｄｂ６　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔ　ａｎｄ　ｔｈｅ　ｂｅｓｔ　ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ａｒｅ　ｒｅｎｄｅｒｅｄ．Ａｓ　ｓｈｏｗｎ，　ｔｈｅ　ｆｅａｔｕｒｅ　ｓｐａｃｅ　ｇｅｎｅｒａｔｅｄ　ｗｉｔｈ　ｔｈｅ　ｃｕｓｔｏｍｉｚｅｄ　ｆｕｎｃｔｉｏｎ　ｅｘｈｉｂｉｔｅｄ　ｈｉｇｈｅｒ　ｃｏｍｐａｃｔｎｅｓｓ　ｔｈａｎ　ｔｈａｔ　ｙｉｅｌｄｅｄ　ｂｙ　ｔｈｅ　ｃｌａｓｓｉｃａｌ　ｏｎｅ．　４．Ｃｏｎｃｌｕｓｉｏｎｓ　Ｉｎ　ｔｈｅ　ｐｒｅｓｅｎｔ　ｓｔｕｄｙ　ａ　ｎｅｗ　ｗａｖｅｌｅｔ　ｆｕｎｃｔｉｏｎ　ｈａｓ　ｂｅｅｎ　ｄｅｓｉｇｎｅｄ　ｓｐｅｃｉｉｆｃａｌｌｙ　ｆｏｒ　ｔｈｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｐｕｐｉｌ　ｌｆｕｃｔｕａｔｉｏｎ　ｓｉｇｎａｌ　ａｉｍｉｎｇ　ａｔ　ｉｄｅｎｔｉｆｙｉｎｇ　ｓｕｂｊｅｃｔｉｖｅ　ｓｌｅｅｐｉｎｅｓｓ　ｌｅｖｅｌｓ．Ｔｈｅ　ｄｅｓｉｇｎｅｄ　ｗａｖｅｌｅｔ　ｏｕｔｐｅｒｆｏｒｍｅｄ　ｃｌａｓｓｉｃａｌ　ｗａｖｅｌｅｔｓ　ｉｎ　ｔｅｒｍｓ　ｏｆ　ｌｅｓｓ　ｍｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｓｌｅｅｐｉｎｅｓｓ　ｓｔａｔｅｓ，ｓｕｇｇｅｓｔｉｎｇ　ｔｈａｔ　ｉｔ　ａｃｑｕｉｒｅｄ　ｕｎｉｑｕｅ　ｆｅａｔｕｒｅｓ　ｓｕｉｔａｂｌｅ　ｔｏ　ｃｌａｓｓｉｆｙ　ｔｈｅ　ｐｕｐｉｌ　ｆｌｕｃｔｕａｔｉｏｎ　ｄａｔａ　ｉｎ　ｄｉｆｆｅｒｅｎｔ　ｓｌｅｅｐｉｎｅｓｓ　ｃｏｎｄｉｔｉｏｎｓ．Ａｌｔｈｏｕｇｈ　ｔｈｅ　ｎｅｗ　ｗａｖｅｌｅｔ　ｓｔｉｌｌ　ｍｉｓｃｌａｓｓｉｉｆｅｄ　２０．４％ｏｆ　ｓｌｅｅｐｙ　ｄａｔａ　ａｓ　ａｗａｋｅ，ｔｈｅ　ｅｒｒｏｒ　ｒａｔｅ　ｓｈｏｕｌｄ　ｂｅ　ｓｉｇｎｉｉｆｃａｎｔｌｙ　ｉｍｐｒｏｖｅｄ　ｂｙ　ｅｍｐｌｏｙｉｎｇ　ｍｏｒｅ　ｓｏｐｈｉｓｔｉｃａｔｅｄ　ｃｌａｓｓｉｆｉｅｒ　ｓｕｃｈ　ａｓ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ，ｉｎｓｔｅａｄ　ｏｆ　ａ　ｂａｓｉｃ　ｌｉｎｅａｒ　Ｂａｙｅｓ　ｃｌａｓｓｉｆｉｅｒ　ｃｕｒｒｅｎｔｌｙ　ｅｍｐｌｏｙｅｄ．Ｍｏｒｅｏｖｅｒ，ｔｈｅ　ｓｅｌｆ－ｓｌｅｅｐｉｎｅｓｓ　ｌｅｖｅｌ　ｉｓ　ｓｏｍｅｗｈａｔ　ｖａｒｉａｂｌｅ　ｉｎ　ｄｉｆｆｅｒｅｎｔ　ｓｕｂｊｅｃｔｓ　ａｎｄ　ｅｖｅｎ　ｗｉｔｈｉｎ　ａ　ｓｕｂｊｅｃｔ［１２］，ａｎｄ　ｄｏｅｓ　ｎｏｔ　ａｌｗａｙｓ　ｃｏｒｒｅｌａｔｅ　ｗｉｔｈ　ｐｈｙｓｉｏｌｏｇｉｃａｌ　ｉｎｄｉｃａｔｏｒｓ　ｏｆ　ｄｒｏｗｓｉｎｅｓｓ［１　６］．Ｔｈｕｓ　ｉｎ　ｔｈｅ　ｎｅｘｔ　ｓｔｕｄｙ，ｔｈｅ　ａｕｔｈｏｒｓ　ｗｉｌｌ　ｔｒｙ　ｔｏ　ｃｌａｓｓｉｆｙ　ｇｒａｄｕａｌ　ｍｙｏｓｉｓ　ａｎｄ　ｌａｒｇｅ　ｌｏｗ　ｆｒｅｑｕｅｎｃｙ　ｆｌｕｃｔｕａｔｉｏｎ　ｏｆ　ＰＤ　ｅｘｅｍｐｌｉｆｉｅｄ　ｉｎ　Ｆｉｇ．１，　ｗｈｉｃｈ　ａｌｌｏｗｓ　ｕｓ　ｎｏｔ　ｏｎｌｙ　ｔｏ　ｄｅｔｅｃｔ　ｄｒｉｖｅｒ’ｓ　ｓｌｅｅｐｉｎｅｓｓ　ｂｕｔ　ｔｏ　ｐｒｅｄｉｃｔ　ｉｔ　ｂｅｆｏｒｅ　ｔｈｅ　ｄｒｉｖｅｒ　ｐｅｒｃｅｉｖｅｓ　ｏｗｎ　ｓｌｅｅｐｉｎｅｓｓ［１２］．　Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ　７４（２０ｌ１）３０５ｌ－３０５７．　【３】　Ｒ．Ｋｈｕｓｈａｂａ，Ｓ．Ｋｏｄａｇｏｄａ，Ｓ．Ｌａｌ，Ｇ．Ｄｉｓｓａｎａｙａｋｅ，　Ｄｒｉｖｅｒ　ｄｒｏｗｓｉｎｅｓｓ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｕｓｉｎｇ　ｆｕｚｚｙ　ｗａｖｅｌｅｔ．ｐａｃｋｅｔ－ｂａｓｅｄ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　５８（２０１　１）　ｌ２１．１３１．　【４】　Ｍ．Ｆ．Ｌｕｃａｓ，Ａ．Ｇａｕｆｒｉａｕ，Ｓ．Ｐａｓｃｕａｌ，Ｃ．Ｄｏｎｃａｒｌｉ，Ｄ．　Ｆａｒｉｎａ．Ｍｕｌｔｉ－ｃｈａｎｎｅｌ　ｓｕｒｆａｃｅ　ｅｍｇ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｕｓｉｎｇ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ　ａｎｄ　ｓｉｇｎａｌ－ｂａｓｅｄ　ｗａｖｅｌｅｔ　ｏｐｔｉｍｉｚａｔｉｏｎ，Ｂｉｏｍｅｄｉｃａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　Ｃｏｎｔｒｏｌ　３（２００８）１６９－１７４．　［５】Ｐ．Ａｒｐａｉａ，Ｃ．Ｒｏｍａｎｕｃｃｉ，Ａ．Ｚａｎｅｓｃｏ，Ｏｐｔｉｍａｌ　ｄｅｓｉｇｎ　ｏｆ　ｗａｖｅｌｅｔ　ｆｉｌｔｅｒｓ　ｂａｓｅｄ　ｏｎ　ｌｉｆｔｉｎｇ　ｓｃｈｅｍｅ　ｂｙ　ｍｅａｎｓ　ｏｆ　ｃｕｌｔｕｒａｌ　ａｌｇｏｒｉｔｈｍｓ，ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ　ａｎｄ　Ｍｅａｓｕｒｅｍｅｎｔ　Ｔｅｃｈｎｏｌｏｇｙ，Ｐｌａｙａ　Ｄｅｌ　Ｃａｒｍｅｎ，Ｍｅｘｉｃｏ，２００６．　【６】　Ｒ．Ｃ．Ｇｕｉｄｏ，Ｊ．Ｆ．Ｗ．Ｓｌａｅｔｓ，Ｒ．Ｋｂｅｒｌｅ，Ｌ．Ｏ．Ｂ．Ａｌｍｅｉｄａ，Ｊ．　Ｃ．Ｐｅｒｅｉｒａ，Ａ　ｎｅｗ　ｔｅｃｈｎｉｑｕｅ　ｔｏ　ｃｏｎｓｔｒｕｃｔ　ａ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｍａｔｃｈｉｎｇ　ａ　ｓｐｅｃｉｉｆｅｄ　ｓｉｇｎａｌ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎｓ　ｔｏ　ｄｉｇｉｔａｌ，ｒｅａｌ　ｔｉｍｅ，ｓｐｉｋｅ　ａｎｄ　ｏｖｅｒｌａｐ　ｐａＲｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ，　Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓ　１　６（２００６）２４—４４．　【７】Ｄ．Ｃｈｅｎ，Ｔ．Ｚｈａｎｇ，Ｎｅｖｉｌｌｅ－ｌａｇｒａｎｇｅ　ｗａｖｅｌｅｔ　ｆａｍｉｌｙ　ｆｏｒ　ｌｏｓｓｌｅｓｓ　ｉｍａｇｅ　ｃｏｍｐｒｅｓｓｉｏｎ，Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓ　８８（２００８）　２８３３－２８４２．　【８】　Ｇ．Ｑｕｅｌｌｅｃ，Ｍ．Ｌａｍａｒｄ，Ｐ．Ｊｏｓｓｅｌｉｎ，Ｇ．Ｃａｚｕｇｕｅｌ，Ｂ．　Ｃｏｃｈｅｎｅｒ，Ｃ．Ｒｏｕｘ，Ｏｐｔｉｍａｌ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｆｏｒ　ｔｈｅ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｍｉｃｒｏａｎｅｕｒｙｓｍｓ　ｉｎ　ｒｅｔｉｎａ　ｐｈｏｔｏｇｒａｐｈｓ，　ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ　２７（２００８）　１２３０．１２４１．　［９】　Ａ．Ｍａｉｔｒｏｔ，Ｍ．Ｆ．Ｌｕｃａｓ，Ｃ．Ｄｏｎｃａｒｌｉ，Ｄｅｓｉｇｎ　ｏｆ　ｗａｖｅｌｅｔｓ　ａｄａｐｔｅｄ　ｔｏ　ｓｉｇｎａｌｓ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎ，ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ　ａｎｄ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，Ｐｈｉｌａｄｅｌｐｈｉａ，ＵＳ，２００５．　【１　０】Ｌ．Ｚｈｅｎ，Ｈ．Ｚｈｅｎｇｊ　ｉａ，ｚ．Ｙａｎｙａｎｇ，Ｗ．Ｙａｎｘｕｅ，　Ｃｕｓｔｏｍｉｚｅｄ　ｗａｖｅｌｅｔ　ｄｅｎｏｉｓｉｎｇ　ｕｓｉｎｇ　ｉｎｔｒａ－ａｎｄ　ｉｎｔｅｒ・ｓｃａｌｅ　ｄｅｐｅｎｄｅｎｃｙ　ｆｏｒ　ｂｅａｒｉｎｇ　ｆａｕｌｔ　ｄｅｔｅｃｔｉｏｎ，Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｕｎｄ　ａｎｄ　Ｖｉｂｒａｔｉｏｎ　３　１３（２００８）３４２—３５９．　『ｌ】１　Ｓ．Ｕｓｕｉ，Ｙ．Ｈｉｒａｔａ，Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ａｕｔｏｎｏｍｉｃ　ｎｅｒｖｏｕｓ　ａｃｔｉｖｉｔｙ　ｕｓｉｎｇ　ｔｈｅ　ｉｎｖｅｒｓｅ　ｄｙｎａｍｉｃ　ｍｏｄｅｌ　ｏｆ　ｔｈｅ　ｐｕｐｉｌ　ｍｕｓｃｌｅ　ｐｌａｎｔ，Ａｎｎａｌｓ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　２３　（１９９５）３７５－３８７．　【１　２】Ｊ．Ｎｉｓｈｉｙａｍａ，Ｋ．Ｔａｎｉｄａ，Ｍ．Ｋｕｓｕｍｉ，Ｙ．Ｈｉｒａｔａ，Ｔｈｅ　ｐｕｐｉｌ　ａｓ　ａ　ｐｏｓｓｉｂｌｅ　ｐｒｅｍｏｎｉｔｏｒ　ｏｆ　ｄｒｏｗｓｉｎｅｓｓ，ｉｎ：２９ｔｈ　

５９２　Ｃｕｓｔｏｍｉｚａｔｉｏｎ　ｏｆ　Ｗａｖｅｌｅｔ　Ｆｕｎｃｔｉｏｎ　ｆｏｒ　Ｐｕｐｉｌ　Ｆｌｕｃｔｕａｔｉｏｎ　Ａｎａｌｙｓｉｓ　ｔｏ　Ｅｖａｌｕａｔｅ　Ｌｅｖｅｌｓ　ｏｆ　Ｓｌｅｅｐｉｎｅｓｓ　Ａｎｎｕａ１　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｆ　ｔｈｅ　ＩＥＥＥ　Ｉｎｄｕｓｔｒｉａｌ　ａｎｄ　Ａｐｐｌｉｅｄ　Ｍａｔｈｅｍａｔｉｃｓ　ｆ　１　９９２）．　Ｅｎｇｉｎｅｅｒｉｎｇ　ｉｎ　Ｍｅｄｉｃｉｎｅ　ａｎｄ　Ｂｉｏｌｏｇｙ　Ｓｏｃｉｅｔｙ，Ｌｙｏｎ，　Ｆｒａｎｃｅ，２００７．　【ｌ５】Ｂ．Ｓｈｉ，Ｋ．Ｐ．Ｍｏｌｏｎｅｙ，Ｙ．Ｐａｎ，Ｖ．Ｋ．Ｌｅｏｎａｒｄ，Ｂ．　Ｖｉｄａｋｏｖｉｃ，Ｊ．Ａ．Ｊａｃｋｏ，ｅｔｃ．，Ｗａｖｅｌｅｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｏｆ　ｈｉｇｈ　ｆｒｅｑｕｅｎｃｙ　ｐａｐｉｌｌａｒｙ　ｒｅｓｐｏｎｓｅｓ，Ｊｏｕｒｎａｌ　ｏｆ　Ｓｔａｔｉｓｔｉｃａｌ　Ａ．Ｋａｌｔｓａｔｏｕ，Ｅ．Ｋｏｕｉｄｉ，Ｄ．Ｆｏｔｉｏｕ　Ｐ．Ｄｅｌｉｇｉａｎｎｉｓ．Ｔｈｅ　［１３】　ｕｓｅ　ｏｆ　ｐｕｐｉｌｌｏｍｅｔｒｙ　ｉｎ　ｔｈｅ　ａｓｓｅｓｓｍｅｎｔ　ｏｆ　ｃａｒｄｉａｃ　ａｕｔｏｎｏｍｉｃ　ｆｕｎｃｔｉｏｎ　ｉｎ　ｅｌｉｔｅ　ｄｉｆｆｅｒｅｎｔ　ｔｙｐｅ　ｔｒａｉｎｅｄ　ａｔｈｌｅｔｅｓ．　Ｃｏｍｐｕｔａｔｉｏｎ　ｎｄ　ａＳｉｍｕｌｔｉａｏｎ　７６　ｆ２００６）４３　１．４４５．　【１６】Ｍ．Ｎａｋａｙａｍａ，Ｋ．Ｙａｍａｍｏｔｏ，Ｆ．Ｋｏｂａｙａｓｈｉ，Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｓｌｅｅｐｉｎｅｓｓ　ｕｓｉｎｇ　ｆｒｅｑｕｅｎｃｙ　ｃｏｍｐｏｎｅｎｔｓ　ｏｆ　ｐｕｐｉｌｌａｒｙ　ｒｅｓｐｏｎｓｅ．ｉｎ：ＩＥＥＥ　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｂｉｏｍｅｄｉｃａｌ　Ｃｉｒｃｕｉｔｓ　ａｎｄ　Ｓｙｓｔｅｍｓ．Ｂａｌｔｉｍｏｒｅ．２００８．　Ｅｕｒｏｐｅａｎ　Ｊｏｕｒｎａｌ　ｏｆ　Ａｐｐｌｉｅｄ　Ｐｈｙｓｉｏｌｏｇｙ　１　１　１（２０　１　１）　２０７９－２０８７．　Ｉ．Ｄａｕｂｅｃｈｉｅｓ，Ｔｅｎ　ｌｅｃｔｕｒｅｓ　ｏｎ　ｗａｖｅｌｅｔｓ　Ｓｏｃｉｅｔｙ　ｆｏｒ　【１４】