基于呼吸信号的睡眠分期算法研究

发布时间：2020-04-03 09:11

【摘要】：睡眠是人类生活的重要组成部分。良好的睡眠可以促进人的精神状态、注意力、情绪控制力和判断力的恢复。然而,随着生活节奏的加快,人们的睡眠质量越来越差,熬夜、失眠等现象频发。根据调查,睡眠障碍成人的比例高达30%。因此,如何更加简单快捷的对人体睡眠监测对于提高睡眠质量和预防睡眠疾病有着举足轻重的意义。睡眠分期的传统“黄金标准”是多导睡眠图,但却存在价格昂贵、操作复杂、对受试者睡眠有入侵式影响等弊端。同时,由于睡眠期间人体呼吸速率表现出与大脑类似的节律变化,并且呼吸信号的收集比诸如EEG的其他信号更简单。对人类睡眠的影响很小,因此本文决定使用呼吸信号来研究睡眠分期。本文首先对睡眠呼吸数据预处理和特征提取,随后设计面向睡眠分期的改进随机森林的分类方法实现睡眠自动分期,主要研究内容如下:(1)睡眠呼吸信号数据预处理。由于睡眠环境通常不是绝对安静的,常常会伴有人为或环境噪声,同时考虑到呼吸信号本身强度较为微弱,为滤除呼吸波中的高频噪声,本文通过寻找最佳呼吸频率,设计数字滤波器对呼吸波进行预处理,以优化数据集。(2)睡眠呼吸数据特征提取。呼吸数据的特征提取从三种分析域进行:时域、频域和非线性。首先检测呼吸信号的波峰波谷,通过计算呼吸波峰数量、呼吸波峰波谷间隔平均值等来提取四个时域特征参数;自回归模型法用于获得信号的相应频率范围的频谱能量,并获得六个频域特征参数;通过近似熵和样本熵提取呼吸数据的两个非线性特征,共12个特征作为睡眠自动分期模型的测试输入。(3)算法设计与结果分析。针对随机森林算法特征选择的随机性问题,本文通过引入自适应特征选择思想,提出三优化策略:第一种是基于特征权重的多变量特征计算方法;二是引入自适应稀疏约束机制的特征优化方法,三是基于不平衡数据集的随机采样算法,并采用正常人与轻微睡眠障碍人特征组合分别对优化随机森林模型训练,最后使用人工AASM分期结果和SVM算法来验证测试输出,结果显示,Wake-NREM-REM睡眠分期的准确率为83.7%,表明可以依据呼吸数据的特点获取睡眠状况。本文是通过不同睡眠状态下呼吸信号的多重特点来研究睡眠状态的,研究结果提供了可应用于自动睡眠分期系统的方法,可作为AASM规则的补充,具有较好的发展前景。
【图文】：

清醒期,生理数据,脑电波,生理信号

2.1 引言人体在睡眠时生理数据通常会随着睡眠阶段的变化而变化。其中，呼吸信号较其他信号如脑电波信号更易采集，且不会对人体睡眠产生入侵式影响。因此本文决定基于呼吸信号来研究睡眠分期。本章主要介绍了目前睡眠分期的临床标准，以及各个睡眠时相生理信号的变化特点，之后说明呼吸信号与睡眠分期的高度相关性，以及用呼吸信号作为睡眠时相判别的可靠性。最后介绍了三种睡眠分期经典算法的基本思想及原理。2.2 睡眠分期2.2.1 睡眠分期的临床标准目前临床睡眠分期的标准多是 R&K 准则[30]。R&K 标准规定，人类从入睡开始到觉醒的整个睡眠过程被划分为 6 个时期，即清醒期(Wake)、NREM(N1、N2、N3、N4) 期和 REM 期。具体结构如图 2-1 所示。

持续时间,阶段,周期,专业学位

北京工业大学工程硕士专业学位论文通常情况下，在一整晚的睡眠过程中，并不是从 Wake 状态到 REM 期顺序进行的，而是交叉进行的。6-8 h 的整晚睡眠大致由 4-5 个睡眠周期构成，每个周期约持续 90 min。在入睡前的阶段首先是处于 Wake 期，，正常情况下几分钟后就会进入 NREM 期，在 NREM 期内，睡眠逐渐由浅变深，N1 期到 N3 期依次进行，N1 期与 N2、N3 期相比持续时间较短，NREM 期大约持续 0.5～1.0 个小时；然后由深变浅，N3 期向 N1 期，紧接着进入第一个 REM 状态，做梦现象通常出现在此阶段中，第一个 REM 期持续时间很短便再次进入 NREM 期；随着循环次数的增大，REM 期持续时间也就越久。在 NREM 期间，偶尔会出现一两个 Wak期，NREM 阶段与 REM 阶段交替进行大概 3 到 5 次。作为深睡期，N4 期只出现在前两个周期中，并且不同年龄阶段的人持续时间不同，一般来说，随着年龄的增长，N4 持续时间越短。大致如图 2-2 所示。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.7;R740

【相似文献】