基于深层卷积神经网络的睡眠自动分期方法研究

发布时间：2022-08-09 12:23

　　人的一生中大约有1/3的时间是在睡眠中度过的,睡眠是人体免疫等系统正常运作的必要一环,对每个人来说都必不可少。良好的睡眠可以促进人的生长发育,缓解疲劳等,是维持生命的基础。但随着当前社会生活压力的增加,睡眠相关疾病对人类的影响也越来越大,这就推动了睡眠医学研究的发展,而研究睡眠首先就要研究睡眠分期。脑电信号（Electroencephalograph,EEG）图记录反映了大脑一系列的活动状态,利用脑电信号研究睡眠,对睡眠分期和睡眠质量评估而言均有很重要的意义。近年来,利用信号处理与深度学习相结合进行睡眠分期的方法逐渐成为了主流,但是就目前睡眠分期的研究进程以及睡眠分期的准确性而言,我国与国外仍有较大差距。本文提出来一种睡眠自动分期的新方法:首先构建一种适用于睡眠分期卷积神经网络（Convolutional Neural Networks,CNN）,然后用该网络提取特征,最后与基于稀疏表示的分类器（sparse representation-based classifier,SRC）相结合对睡眠进行分期。本方法首先利用小波变换对原始脑电信号进行时频处理,将GoogLe Net作为特征提取... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 课题研究的意义
    1.3 研究现状
    1.4 主要内容和章节安排
第二章 睡眠分期的基本理论
    2.1 脑电信号概述
    2.2 脑电信号的采集
    2.3 脑电波的组成及睡眠脑电的特征
    2.4 睡眠分期标准
    2.5 EEG特征
    2.6 本章小结
第三章 基于深度学习的睡眠分期方法
    3.1 深度神经网络理论基础
    3.2 基于RNN的睡眠分期
    3.3 基于CNN的睡眠分期
    3.4 基于LSTM的睡眠分期
    3.5 本章小结
第四章 基于深度学习和稀疏表示的睡眠分期
    4.1 本文方法概要
    4.2 深度卷积神经网络
        4.2.1 卷积神经网络的组成
        4.2.2 CNN常见技巧
        4.2.3 适用于睡眠分期的卷积神经网络
    4.3 基于稀疏表示的分类器
        4.3.1 信号的稀疏表示
        4.3.2 稀疏表示睡眠识别
        4.3.3 SRC算法描述
    4.4 本章小结
第五章 实验结果与分析
    5.1 脑电信号数据来源
    5.2 脑电信号的预处理
    5.3 适于睡眠分期的深层卷积网络的构建以及训练
    5.4 睡眠脑电的分类
    5.5 本章小结
第六章 总结与展望
参考文献
攻读学位期间发表的科研成果
致谢



本文编号：3672551