基于脑电信号的睡眠分期研究
发布时间:2022-12-05 01:31
使用机器学习方法进行睡眠分期的研究是脑电信号分析的一个方向。首先讨论了睡眠脑电节律波的特点,从时域以及时频域上提取与睡眠分期相关性高的特征,然后通过随机森林这一集成学习算法,按照AASM的睡眠分期判读规则,设计睡眠分期的多分类器,将睡眠时期分为Wake、N1、N2、N3、REM五个时期,并通过Sleep-EDF数据集测试模型的有效性。
【文章页数】:3 页
【文章目录】:
1 研究背景及意义
2 数据预处理以及特征提取
2.1 数据集介绍
2.2 滤波器设计
2.3 特征提取
2.3.1 时域特征
2.3.1. 1 统计参量
2.3.1. 2 过零率
2.3.1. 3 Hurst指数
2.3.2 时频域分析
2.3.2. 1 Wigner-Ville分布
2.3.2. 2 离散小波变换
3 集成学习模型
3.1 随机森林模型
3.2 实验模型设计
4 结束语
【参考文献】:
硕士论文
[1]一种新的人睡眠EEG自动分期方法研究[D]. 刘跃雷.兰州大学 2010
[2]基于脑电信号的睡眠自动分期研究[D]. 林少倩.浙江工业大学 2020
[3]睡眠信号自动分期的深度学习算法研究[D]. 王怡.重庆邮电大学 2020
本文编号:3709397
【文章页数】:3 页
【文章目录】:
1 研究背景及意义
2 数据预处理以及特征提取
2.1 数据集介绍
2.2 滤波器设计
2.3 特征提取
2.3.1 时域特征
2.3.1. 1 统计参量
2.3.1. 2 过零率
2.3.1. 3 Hurst指数
2.3.2 时频域分析
2.3.2. 1 Wigner-Ville分布
2.3.2. 2 离散小波变换
3 集成学习模型
3.1 随机森林模型
3.2 实验模型设计
4 结束语
【参考文献】:
硕士论文
[1]一种新的人睡眠EEG自动分期方法研究[D]. 刘跃雷.兰州大学 2010
[2]基于脑电信号的睡眠自动分期研究[D]. 林少倩.浙江工业大学 2020
[3]睡眠信号自动分期的深度学习算法研究[D]. 王怡.重庆邮电大学 2020
本文编号:3709397
本文链接:https://www.wllwen.com/kejilunwen/wltx/3709397.html