基于心率变异性的睡眠分期研究

发布时间：2020-10-31 23:14

　　 睡眠是人体进行机体自我修复的重要环节。良好的睡眠使人精力充沛,糟糕的睡眠使人萎靡不振,还会诱发疾病。对睡眠质量进行分析可以作为生理健康监测的手段,睡眠分期又是睡眠质量分析中较为基础的环节。基于心率变异性进行睡眠分期相较于传统的基于脑电信号进行睡眠分期能够克服受试者传感器佩戴的束缚、实验费用昂贵等一些局限性,使便携式睡眠监测设备的开发成为可能。本文使用心率变异性相关指标构建睡眠分期模型。本文主要进行了以下工作:第一,实验数据获取。本文使用MIT-BIH数据库获取相关数据,通过计算选择合适的数据作为数据源。从实验数据源中提取RR间期信号并对其进行样条插值和重采样,得到时间间隔均匀的RR间期信号,同时从实验数据源中提取出睡眠分期标签。第二,对心率变异性相关特征进行提取。使用统计方法对时域特征RR间期均值MEAN、RR间期标准差SDNN、相邻RR间期差值的均方根RMSSD进行提取;使用小波变换、经验模态分解等方法对频域特征指标VLF、LF、HF、LF/HF、TP进行提取;使用混沌和分形方法相结合对非线性指标盒维数进行提取,使用Wolf方法对最大李雅普诺夫指数进行提取。将提取得到的3类10种心率变异性特征组合为特征向量,对特征向量进行数据预处理操作,并进行PCA降维以降低数据冗余度。第三,对睡眠分期模型进行建模。建模中使用一对一的多分类支持向量机解决方案,选取径向基核函数作为支持向量机核函数,同时将遗传算法和网格搜索算法相结合对超参数进行寻优,将提取出来的时频域以及非线性特征作为特征向量,使用SMO算法训练得到睡眠分期模型。第四,进行实验验证。首先通过实验选取交叉验证的折数k以及遗传算法中的一些参数项ga_option的值。其次使用遗传算法和网格搜索算法相结合对超参数进行寻优,寻优结果对应的模型最佳准确率为80.5195%,而单独使用网格搜索算法进行参数寻优对应的模型最佳准确率为79.8701%。相比较而言,前者具有更好的参数寻优结果。然后对支持向量机进行训练,使用训练出来的模型对测试数据集进行分类预测,并用混淆矩阵对睡眠分期模型的性能进行评估。评估结果显示,睡眠分期模型在测试集上的平均分类准确率为63.10%,模型对NREM期的LIGHT、DEEP两个阶段的分类准确率较高,可高达93%,但是对WAKE和REM两个阶段的分期效果不是很好。同时设计不包含盒维数、最大李雅普诺夫指数两个非线性特征的模型作为实验对照组,对其性能进行评估。实验结果显示,不包含非线性特征的模型的平均分类准确率为60.21%,与包含非线性指标的模型准确率63.10%相比要低。该结果表明使用盒维数、最大李雅普诺夫指数这两个非线性特征的睡眠分期模型的分期结果更为理想。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;R740
【部分图文】：

slp67x 0.47 0.00 0.53 0.00Average 0.32 0.07 0.55 0.05图2.1 睡眠标签示意图同时需要编写matlab脚本程序对.ecg心电注释文件进行读取，将相关信息进行转换，得到R峰所在位置。将两个相邻注释记录的时间进行差分计算得到等心拍（非等时间间隔）RR间期序列，如图2.2所示：图2.2 未经插值和重采样的RR间期序列

同时需要编写matlab脚本程序对.ecg心电注释文件进行读取，将相关信息进行转换，得到R峰所在位置。将两个相邻注释记录的时间进行差分计算得到等心拍（非等时间间隔）RR间期序列，如图2.2所示：图2.2 未经插值和重采样的RR间期序列

插值之后得到等时间间隔RR间期序列，对等时间间隔RR间期序列进行重采样，信号进行重采样的采样频率为2.5Hz。经过插值和重采样后等时间间隔RR间期序列的时域信号如图2.3所示。图2.3 插值和重采样后RR间期序列数据库中实验仿真数据获取流程图如图2.4所示：图2.4 实验仿真数据获取流程图MIT-BIH数据库.st文件中获取睡眠标签筛选出合适的实例作为数据源.ecg文件中提取R峰位置等心拍/非等时间间隔RR间期序列等时间间隔RR间期序列样条插值拟合，2.5Hz重采样相邻记录进行差分计算时间长度匹配计算MATLAB平台脚本程序MATLAB平台脚本程序
【参考文献】

相关期刊论文 前4条

1 彭文;王慧娣;;阻塞性睡眠呼吸暂停综合征的研究进展[J];中国医药导刊;2013年09期

2 王富强;王东风;韩璞;;基于混沌相空间重构与支持向量机的风速预测[J];太阳能学报;2012年08期

3 贾花萍;;基于神经网络集成的睡眠脑电分期研究[J];计算技术与自动化;2012年02期

4 成词松;诸毅晖;赵莺;;论睡眠的生理基础[J];辽宁中医药大学学报;2010年02期

相关硕士学位论文 前4条

1 王伟;基于脑电信号分析的睡眠监测研究[D];吉林大学;2017年

2 索艳风;不同年龄睡眠质量对健康相关生命质量影响的差异研究[D];北京中医药大学;2017年

3 唐其彪;基于脑电信号的自动睡眠分期研究[D];广东工业大学;2016年

4 高群霞;基于EEG的睡眠分期与睡眠评估方法研究[D];华南理工大学;2015年

本文编号：2864647