用NSP算法研究睡眠状态下的人体生理信号

发布时间：2020-12-24 00:10

　　睡眠是占据人类寿命时长近三分之一的活动,也是人类进行自我调节最为关键的一环,更是每个人每天所必需进行的活动之一。但受困于设备和科技的桎梏,人类长时间无法对其展开全面细致的研究。随着科技发展和大数据时代的来临,该领域的研究人员开始着手于对自身睡眠的研究。目前,研究人员已顺利提取出睡眠状态下的呼吸信号,并将其分为W期(wake,即清醒状态)、N1期、N2期、N3 期(N1、N2、N3 合称 No Rapid Eyes Movement)和 R 期(Rapid Eyes Movement)五个不同的睡眠阶段。接下来就是在寻找合适方法对其进行分析和解读。NSP算法是基于算子的零空间追踪算法,是在2008年,由彭思龙和黄文良两位教授所提出的。它是一种全新的自适应的信号分解方法,是在基于算子的信号分解算法基础上改进的。相比于其他分解算法具有更大的优势。它将信号分解定义为一个优化问题,并利用所定义的算子从信号中分解出多个子信号之和。该算法通过定义一些参数化的积分或微分算子,从一个复杂信号中提取出能够被所定义的算子消失掉的局部窄带信号。本文将呼吸信号的处理和发展先做简要梳理,进而在学习NSP算法之后尝... 

【文章来源】：北方工业大学北京市

【文章页数】：45 页

【学位级别】：硕士

【部分图文】：

图２－１?（—次ＮＳＰ算法过滤效果图）??１〇?ｘ?１〇４?．?ｉ〇４?ｉ．ｖｎｓｐ??

?５００?１０００?１５００?２０００?２ＳＯＯ?３０００?３５００?４０００??图２－１?（—次ＮＳＰ算法过滤效果图）??１〇?ｘ?１〇４?．?ｉ〇４?ｉ．ｖｎｓｐ??９?９?－??？－?Ｈ??７?７?［??６?６??ｌ?５丨??４?４??：Ｊ＼?Ｖｉ??Ｑ?＊?■?－?－?Ｖｊ?＇?ＣＮ，／Ｖｗ???ｑ?Ｉ???－?－?ｎ?ｉ?ｉ?ｉ？?ｉｉ?ｉ?ｉ?ｉ?ｉ??０?０．５?Ｉ?１．３?２?２－５?３?ＩＳ?４?＜ｓ?Ｓ?０?０．５?１?１．５?２?Ｚ￥?３?ａＡ?４?４．５?５??图２－２?（ｆｆｔ后频谱分析图的样本）??（３）从得到的快速傅里叶变换图像中，我们需要寻找并分析峰值位和支集??两种衡量标准。??对于峰值位，即图像中纵坐标的最大值所对应的横坐标位置，代表在该时间??段内出现最密集的频率值。又由于频率和时间是倒数关系，越稳定的呼吸其呼吸??一次的时长就会越长，从而频率值会越低。在经过ＮＳＰ算法过滤后的信号会出现??以下两种特殊情况：图像中出现多于一个相同峰值数据；出现过滤后得不到合理??ＦＦＴ图像的“坏点”，其图像近似于消失。通过实验得知，第一种情况是数据本??身存在的特性，不因处理方法的不同而改变，而第二种是ＮＳＰ算法目前的极限性，??是接下来研究人员可以努力的方向。因而两种情况目前无法规避。只能通过程序??筛出掉。??８??

５０５：５０９，５１２：５１７，５２０：５２７，５３０，５３２：５８５，５９０，５９３：６０６，６０９：６２０，６２３，６２５：６２８，６３３：６３５，６７１，６７７，６２：７６２，７７１：７７８，７８１，８１１］）；??ｎ＝ｌｅｎｇｔｈ（ｆｉｎｄ（Ｎ２＿２＝０））；??Ｎ２＿ｄｉｓｔａｎｃｅ＝ｓｕｍ（Ｎ２＿２）／（ｌｅｎｇｔｈ（Ｎ２＿２）－ｎ）；??Ｎ３＿＿２＝ｄｉｓｔａｎｃｅ（［１３５，１３７：１４１，１４４：１９３，３１８：３２３，３３３：３３７］）；??ｎ＝ｌｅｎｇｔｈ（ｆｉｎｄ（Ｎ３＿２＝０））；??Ｎ３＿ｄｉｓｔａｎｃｅ＝ｓｕｍ（Ｎ３＿２）／（ｌｅｎｇｔｈ（Ｎ３＿２）－ｎ）；??Ｒ＿２＝ｄｉｓｔａｎｃｅ（［２１２：２２３，２３１：２３３，４４０：４６８，４７０：４８５，４９３：５０１，６３６：６６５，７８２：８１９］）；??ｎ＝ｌｅｎｇｔｈ（ｆｍｄ（Ｒ＿２＝０））；??Ｒ＿ｄｉｓｔａｎｃｅ＝ｓｕｍ（Ｒ＿２）／（ｌｅｎｇｔｈ（Ｒ＿２）－ｎ）；??２．?４实验结果分析与讨论??Ｃｈｅｎ?Ｘｉａｏｈｕｉ＇ｓ?ｄａｔａ?Ｌｉｎ?Ｊｉａｎｇｗｅｉ＇ｓ?ｄａｔａ??


本文编号：2934596