基于支持向量机的睡眠分期算法研究及应用实现

发布时间：2020-08-01 18:17

【摘要】：正确评估睡眠质量从而改善睡眠质量成为当下一个热门课题。通过对人的整晚的睡眠状态进行识别,从而来评价睡眠质量,是目前睡眠研究的主要思路。一直以来,脑电信号是最常被采用来研究睡眠分期的信号,但是因为该信号的采集设备通常设计复杂,会对人的正常睡眠造成干扰,不适用于日常家庭监护。相比较于传统的脑电监测,利用集成了压电传感器的床垫可以进行睡眠监测,并且几乎不影响人的正常睡眠。压电感知床垫采集到的是心冲击图(Ballistocardiogram,BCG)信号,包含心率等信息,本文的研究目的是基于BCG信号建立一种利用支持向量机模型进行睡眠分期的算法,并应用到睡眠监测应用中进行睡眠监测。本文首先对从BCG信号中计算出心跳间隔序列进行预处理,然后利用数理统计和自回归模型提取心率变异性特征,并对特征通过主成分分析(Principal Component Analysis,PCA)进行降维处理,采用支持向量机模型进行分类,将分类结果与专家分期结果进行对比,结果表明本算法的分期正确率可达到70.3%。同时,将本文算法的分期结果与采用网格搜索法进行参数寻优确定的支持向量机模型的分期结果以及基于隐马尔可夫模型进行睡眠分期的结果进行对比,发现本文算法具有更高的分期准确率。本文设计并实现了移动睡眠监护应用,应用中集成了本文设计的睡眠分期算法来对用户的睡眠数据进行分期,并通过手机应用为用户展示睡眠信息,应用还提供睡眠记录展示、睡眠质量评估以及睡眠知识展示等功能。本文首次使用支持向量机对从BCG信号中提取的心率变异特征进行睡眠分期,相比较于其他研究,本算法在HRV的特征提取和处理以及SVM参数寻优等方面进行了改进,取得了更好的分期效果。移动端睡眠监测系统的实现为家庭睡眠监测提供了一种便捷途径,具有实际应用价值。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;R740

【参考文献】

相关期刊论文 前10条

1 赵静;;Android系统架构及应用程序开发研究[J];自动化与仪器仪表;2017年01期

2 林海明;杜子芳;;主成分分析综合评价应该注意的问题[J];统计研究;2013年08期

3 樊代明;;医学亟待整合[J];中国医院院长;2013年08期

4 王鹏;;浅谈Android技术[J];知识经济;2013年05期

5 王峻;;基于Android系统的音频架构[J];电声技术;2012年11期

6 江丽仪;吴效明;;睡眠时相与心率变异性的关系研究[J];生物医学工程学杂志;2011年01期

7 张泾周;周钊;滕炯华;苗治平;;基于神经网络的睡眠分期处理算法研究[J];计算机仿真;2010年08期

8 刘慧;谢洪波;和卫星;王志中;;基于模糊熵的脑电睡眠分期特征提取与分类[J];数据采集与处理;2010年04期

9 刘怀亮;高鹰;许若宁;苏瑞娟;;一种新的改进粒子群优化方法[J];计算机工程与应用;2010年12期

10 李谷;范影乐;李轶;庞全;;基于脑电信号Hilbert-Huang变换的睡眠分期研究[J];航天医学与医学工程;2007年06期

本文编号：2777823