基于脑电多尺度非线性分析的睡眠分期研究

发布时间：2017-10-31 15:34

  本文关键词：基于脑电多尺度非线性分析的睡眠分期研究

  更多相关文章： 睡眠分期 多尺度LZ复杂度 多尺度模糊熵 支持向量机

【摘要】：睡眠是人体缓解疲劳、恢复精神的最好方式。但随着生活节奏的加快、工作压力的增大,越来越多的人受到失眠等睡眠障碍的困扰,严重影响了人们的身心健康。研究睡眠状态下脑电信号特性,并实现自动睡眠分期是改善睡眠质量、诊断睡眠疾病的基础,具有重要的应用价值和理论意义。首先,在单尺度LZ复杂度的基础上结合多尺度分析,设计了多尺度LZ复杂度非线性分析方法。仿真数据分析表明该方法克服了单尺度LZ复杂度只能描述信号单一频率特征的缺陷,可以捕捉信号多种频率成分,能更好的可以反映信号的变化规律。利用此方法分析了Physionet数据库中睡眠脑电信号,结果表明多尺度LZ复杂度方法捕捉到了不同睡眠分期脑电更丰富的信息,验证了多尺度LZ复杂度方法要优于单尺度LZ复杂度方法。其次,基于模糊熵比样本熵更具稳定性的特点,在多尺度分析的基础上对多尺度样本熵方法进行改进,设计了多尺度模糊熵方法。该方法集合了两种方法的优点,多尺度分析具有良好的时频特性,同时可以减小运算数据量;模糊熵算法利用指数函数模糊化相似性,较样本熵能更好的反映各期睡眠脑电复杂性变化。利用多尺度模糊熵方法分析了实际睡眠脑电信号,给出了实验分析结果,验证了多尺度模糊熵方法要优于多尺度样本熵方法。最后,利用两种多尺度非线性分析方法提取脑电特征,并利用小波变换提取睡眠脑电的Delta、Beta节律功率特征,同时对眼电信号提取时域特征,用以上特征量作为睡眠分期的特征参数,采用支持向量机作为分类器,并选用“一对一”多分类方法完成睡眠脑电的自动分期。结果证明,多尺度非线性分析方法用于睡眠分期得到了较好的分期性能。
【关键词】：睡眠分期 多尺度LZ复杂度 多尺度模糊熵 支持向量机
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R740
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 本课题研究的目的和意义10-11
• 1.2 国内外研究现状和发展趋势11-13
• 1.3 本课题研究内容及结构安排13-15
• 第2章 睡眠分期的基础知识15-29
• 2.1 脑电信号15-20
• 2.1.1 脑电信号的产生机理15-16
• 2.1.2 脑电信号特点及其特征波16-19
• 2.1.3 脑电信号的检测19-20
• 2.2 睡眠分期方法20-23
• 2.2.1 睡眠分期的标准20-22
• 2.2.2 睡眠脑电22-23
• 2.3 睡眠脑电分析方法23-24
• 2.4 睡眠脑电分期方法24-25
• 2.5 眼电信号25-26
• 2.6 Physio Net数据库26-28
• 2.7 本章小结28-29
• 第3章 睡眠脑电的多尺度非线性分析29-46
• 3.1 概述29
• 3.2 多尺度LZ复杂度29-36
• 3.2.1 LZ复杂度29-30
• 3.2.2 多尺度LZ复杂度30-31
• 3.2.3 仿真信号分析31-33
• 3.2.4 实际信号分析33-36
• 3.3 多尺度模糊熵36-44
• 3.3.1 样本熵36-37
• 3.3.2 多尺度样本熵37-39
• 3.3.3 模糊熵39-40
• 3.3.4 多尺度模糊熵40-43
• 3.3.5 实际信号分析43-44
• 3.4 本章小结44-46
• 第4章 基于SVM的自动睡眠分期46-63
• 4.1 概述46
• 4.2 特征提取46-51
• 4.2.1 基于小波变换的脑电频率特征46-50
• 4.2.2 眼电信号相关特征50-51
• 4.3 基于SVM的自动睡眠分期51-56
• 4.3.1 支持向量机方法51-55
• 4.3.2 睡眠分期总述55-56
• 4.4 睡眠分期结果56-58
• 4.5 结果分析58-62
• 4.5.1 正常睡眠状态人的结果分析58-59
• 4.5.2 轻微睡眠障碍人的结果分析59-62
• 4.6 本章小结62-63
• 结论63-65
• 参考文献65-69
• 攻读硕士学位期间承担的科研任务与主要成果69-70
• 致谢70-71
• 作者简介71

【相似文献】

中国期刊全文数据库 前5条

1 邹晓阳;雷敏;;基于多尺度模糊熵的动作表面肌电信号模式识别[J];生物医学工程学杂志;2012年06期

2 龚桂芳;冯成德;张慧;朱艳芳;;一种基于自适应最小模糊熵的CT图像分割方法[J];生物医学工程学杂志;2008年02期

3 刘建成;董晓倩;陈亚珠;;基于广义模糊熵模式分类器的HRV信号识别[J];中国生物医学工程学报;2005年03期

4 赵冰心;胡维平;;基于熵和支持向量机的病态嗓音识别[J];中国生物医学工程学报;2013年05期

5 ;[J];;年期

中国重要会议论文全文数据库 前6条

1 齐思刚;;基于模糊熵的模糊数运算[A];模糊集理论与模糊应用专辑——中国系统工程学会模糊数学与模糊系统委员会第十届年会论文选集[C];2000年

2 胡应平;;运用模糊熵构建协调模型[A];模糊集理论与应用——98年中国模糊数学与模糊系统委员会第九届年会论文选集[C];1998年

3 魏华;王志强;张运杰;;基于模糊熵的备择边缘细化方法[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（上）[C];2003年

4 吴川;朱明;杨冬;;基于最大模糊熵原则的低对比度图像阈值选取法[A];第十一届全国信号处理学术年会（CCSP-2003）论文集[C];2003年

5 李筠;祝勇;;误差分布类型的模糊熵判别方法[A];第七届青年学术会议论文集[C];2005年

6 何春;陆俊;;基于模糊熵方向特征的图像边缘检测方法[A];图像图形技术研究与应用(2010)[C];2010年

中国硕士学位论文全文数据库 前10条

1 郑宗琳;基于高速列车走行部监测数据的EEMD特征分析[D];西南交通大学;2015年

2 董国新;基于ELMD多尺度模糊熵和概率神经网络的暂态电能质量识别[D];燕山大学;2016年

3 顿士君;基于脑电多尺度非线性分析的睡眠分期研究[D];燕山大学;2016年

4 王旭尧;基于多元多尺度模糊熵的人体步态信号分类[D];燕山大学;2016年

5 赵凤;基于模糊熵理论的若干图象分割方法研究[D];西安邮电学院;2007年

6 吴学谦;互模糊熵的改进及其在心衰检测中的应用[D];山东大学;2014年

7 张丽波;基于三角模糊熵的信息安全风险评估研究[D];黑龙江大学;2013年

8 李世航;基于模糊熵的贷款组合决策模型[D];山东师范大学;2014年

9 白礼虎;基于模糊互补判断矩阵和直觉模糊熵的决策研究[D];安徽大学;2013年

10 白雪;基于模糊优化的模糊熵理论研究及应用[D];哈尔滨理工大学;2011年

，

本文编号：1122695