睡眠脑电分析与自动分期方法的研究

发布时间：2020-10-31 09:50

　　 每个人的一生大约有1/3的时间处于睡眠状态,睡眠是必不可少的生理活动。通过睡眠,人的体力得以补充,精神得以恢复,良好的睡眠有利于身心健康。但是随着生活节奏的加快,工作学习的压力增加,与睡眠相关的疾病已经严重的影响了人类健康。通过对人的睡眠质量进行有效客观的评估有利于预防和治疗睡眠相关的疾病,评估睡眠质量的一个重要手段之一是根据人的睡眠脑电信号进行睡眠分期,这也是客观评估睡眠质量的前提。脑电信号反应并记录着大脑生理活动状态,研究脑电信号特点,是研究睡眠分期,改善睡眠质量,诊断睡眠疾病的基础,有重要的理论意义和应用价值。本文的主要内容是研究一种基于单通道睡眠脑电信号对睡眠自动分期的方法。本文数据来源于Physio Bank中Sleep-EDF数据库的睡眠脑电信号。主要内容为睡眠脑电信号的去噪处理、节律波的提取、睡眠特征的提取和睡眠自动分期:(1)信号的去噪处理使用的小波阈值去噪方法,通过原始脑电信号做5层小波分解,使用软阈值方法完成脑电信号的去噪处理;(2)分别使用7层小波分解和6层小波包分解并重构进行节律波的提取,并行比对,最终选用小波包完成睡眠节律波的提取;(3)使用样本熵完成对不同睡眠状态下脑电信号4种节律波的熵值特征提取,此外对去噪后脑电信号使用9、10、11、12、13五个尺度的熵进行睡眠脑电特征的提取;(4)使用4种节律波的样本熵和5个多尺度熵共9个特征作为分类器的输入,以随机森林和支持向量机作为分类器,最中得出使用支持向量机更适合本文做脑电睡眠分期的结论。实验结果表明节律波的样本熵,去噪后睡眠脑电信号的多尺度熵都是进行睡眠分期的有效特征,在处理以上述9个分类特征作为输入。数据量在12000左右的时长30s睡眠信号,支持向量机比随机森林分期结果更加准确,最优综合分类结果达到91.32%。
【学位单位】：广东工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R740;TN911.7
【部分图文】：

第二章 脑电信号与睡眠分期的精确，也是 EEG 信号精确的保证；容易保存，平均每次使用成是电极成本的考虑；对人体无损伤，无副作用，是对使用者体验合所述，盘状电极是导出睡眠 EEG 信号的最佳选择。电极的位置 EEG 信号时，要求电极按照一定的标准固定在大脑头皮上，并且皮之间导电性良好。标准规定了采集 EEG 信号的电极的数量和位，10-20 标准系统被最为权威通用[30]。10-20 标准系统介绍如下：，第一条为赤道：从鼻根(Nz)至枕骨隆突(Lz)；第二条为经线：(A1)到右耳前点(A2)。上述两条基线相交于于头顶 Cz 点。其他电示。

广东工业大学硕士学位论文 REM 状态。这一时期外在表现为眼球快速运动，环境刺激（视觉、听觉的屏蔽进一步加强。但处于这一睡眠时期相较于 NREM-Ⅳ在体温、血压、所提升，新陈代谢有所加快。通常学者们认为这是为了维持身体各项机能行，向身体各个部位所需的物质和能量所致。综上所述，R&K 睡眠分期标准如下图 2.2 所示。

图 2-3 整晚睡眠状态变换Figure 2-3 Change of Sleep Stages throughout the night在正常一整夜的睡眠中各个睡眠状态占比不同，从 Wake 状态入睡开始计算睡时间，NREM 大约占比 75%-80%，REM 大约占比 20%-25%。各个时期详细数据下表 2-1 所示。表 2-1 各个睡眠状态占比Table 2-1 The proportion of each sleep state睡眠状态 NREM-Ⅰ NREM-Ⅱ NREM-Ⅲ NREM-Ⅳ REM时间占比 2%-5% 45%-50% 3%-8% 10%-15% 20%-25%.5 本章小结第二章 分为两个部分。第一部分为脑电部分，包含脑点产生的机理、采集方式；二部分为睡眠状态分期部分，包含几种节律波的介绍，以及与睡眠状态的对应关
【参考文献】

相关期刊论文 前10条

1 赵丹;;SVM核函数与选择算法[J];数字技术与应用;2014年09期

2 吴光文;王昌明;包建东;陈勇;胡扬坡;;基于自适应阈值函数的小波阈值去噪方法[J];电子与信息学报;2014年06期

3 周鹏;李向新;张翼;明东;董新明;薛然婷;王学民;;基于主成分分析和支持向量机的睡眠分期研究[J];生物医学工程学杂志;2013年06期

4 郭泰圣;张新长;梁志宇;;神经网络决策树的矢量数据变化信息快速识别方法[J];测绘学报;2013年06期

5 李欣海;;随机森林模型在分类与回归分析中的应用[J];应用昆虫学报;2013年04期

6 陶珂;朱建军;;多指标融合的小波去噪最佳分解尺度选择方法[J];测绘学报;2012年05期

7 沈跃;刘慧;谢洪波;和卫星;;基于贝叶斯相关向量机的脑电睡眠分期[J];江苏大学学报(自然科学版);2011年03期

8 方匡南;吴见彬;朱建平;谢邦昌;;随机森林方法研究综述[J];统计与信息论坛;2011年03期

9 肖荣;李金凤;覃俊;;一种改进的一对一多类支持向量机[J];软件导刊;2010年10期

10 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

相关博士学位论文 前3条

1 殷明;四元数小波变换理论及其在图像处理中的应用研究[D];合肥工业大学;2012年

2 葛家怡;睡眠分期及低频磁场睡眠诱导的研究[D];天津大学;2009年

3 罗光坤;Morlet小波变换理论与应用研究及软件实现[D];南京航空航天大学;2007年

相关硕士学位论文 前10条

1 潘虹;睡眠状态知觉障碍特征及预测因素分析[D];西南医科大学;2016年

2 李哲;基于稀疏表示和LS-SVM的心电信号分类[D];河北大学;2015年

3 程佳;基于脑电信号的睡眠分期研究[D];北京理工大学;2015年

4 王芳;基于双树复小波变换的微弱生物医学信号处理及其应用研究[D];重庆大学;2014年

5 陈曦;基于Hopfield递归神经网络的白天短时睡眠分期研究[D];华东理工大学;2014年

6 林伟成;基于EEG信号的认知任务模式分类研究[D];杭州电子科技大学;2014年

7 陈群;脑电生物反馈治疗仪与睡眠分期的研究[D];广东工业大学;2013年

8 逄增吉;基于小波变换与傅里叶分析的谐波检测方法研究[D];沈阳工业大学;2013年

9 井晓茹;基于符号转移熵和平均能量耗散的睡眠分期分析[D];南京邮电大学;2012年

10 吕桂莉;关于Haar小波的理论研究及应用[D];山东科技大学;2008年

本文编号：2863788