基于脑电信号的自动睡眠分期研究
发布时间：2017-05-12 06:04
本文关键词：基于脑电信号的自动睡眠分期研究，由笔耕文化传播整理发布。
【摘要】：随着当前社会生活节奏的加快,社会生活各方面的压力越来越大,与睡眠相关的疾病对人们生活的影响也越来越大。其中失眠是最常见的影响人们生活的睡眠障碍类疾病。脑电信号(EEG)是目前进行睡眠障碍疾病治疗诊断的重要依据。脑电信号是大脑神经细胞群的电生理活动的主要反映,当人们进入深入睡眠时,大脑神经细胞群减缓活动,同时脑电信号也会反映这种变化。由于脑电信号非平稳性、随机性、非线性、低信噪比的特性,因而进行有效的睡眠分期一直是研究的难点,传统的人工识别睡眠分期的效率低、耗时费力,因此睡眠脑电自动分期对于改善睡眠质量、医学的临床研究具有重要意义。本文的主要目的是研究一种基于双导联的脑电信号自动分期方法。实验数据来源于MIT-BIH中Sleep-EDF数据库的8个正常受试者睡眠脑电信号。本文从信号预处理、脑电特征提取、特征参数分类三个方面实现睡眠脑电自动分期系统的设计。本文的主要工作内容如下：1.利用小波变换的方法对睡眠脑电原始信号进行预处理,利用小波包的方法,提取脑电波信号基本节律波α波,θ波,δ波,β波并分别计算α波,θ波,δ波,β波特征波的相对能量(Ei/Eall),睡眠脑电信号的总能量值Eall以及α波和θ波的能量的比值Eα/Eθ, δ波和8波能量比值Eδ/Eθ。2.首先用样本熵算法来提取脑电信号的样本熵特征,针对样本熵算法必须含有模板匹配的缺点,研究模糊熵作为睡眠分期特征参数的可行性。把提取基本节律δ波和θ波作为特征向量,选择模糊熵的方法对睡眠各阶段进行分析,最后用模糊熵的方法提取睡眠脑电模糊熵特征。3.在提取信号特征的基础上利用支持向量机对睡眠脑电信号进行自动分期,验证分类器的泛化能力。利用能量特征值、样本熵特征值、模糊熵特征值的对脑电信号进行分期并对实验结果进行分析。根据脑电信号特点并结合熵值特征性质、能量特征性质,提出基于样本熵、模糊熵、能量特征值相结合的睡眠脑电自动分期方法并验证该方法的分类效果。本文的主要创新之处下：1.基于样本熵算法必须含有模板匹配的缺点,研究模糊熵作为睡眠分期特征参数的可行性。利用提取基本节律δ波和θ波作为特征向量,选择模糊熵的方法对睡眠各阶段进行分析,验证模糊熵值在睡眠各阶段的变化趋势。2.鉴于脑电信号的特点,能量特征以及熵值的特点,本文提出的能量特征、样本熵特征、模糊熵特征相结合的方式进行睡眠脑电自动分期。实验结果表明,小波包、样本熵、模糊熵都能够有效的提取睡眠脑电信号的睡眠特征。在利用睡眠特征进行睡眠分期时发现小波包提取的能量特征的识别正确率较低,样本熵特征识别正确率相对于能量特征有明显提高而模糊熵特征在睡眠脑电分期相对于样本熵方法提高5%。本文提出的能量特征、样本熵特征、模糊熵特征相结合的方式进行睡眠脑电自动分期,分期正确率高于单一的能量值特征和熵值特征。
【关键词】：睡眠分期 小波包分解 模糊熵 样本熵 特征提取 支持向量机
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;R740
【目录】：
- 摘要4-6
- ABSTRACT6-14
- 第一章 绪论14-19
- 1.1 学术背景及研究意义14-15
- 1.2 国内外研究现状15-17
- 1.3 本文研究的主要内容及结构安排17-19
- 1.3.1 课题来源及研究内容17
- 1.3.2 论文结构17-19
- 第二章 睡眠脑电分期原理19-27
- 2.1 睡眠及脑电的分析19-22
- 2.1.1 睡眠的概述19
- 2.1.2 脑电信号的特征19-21
- 2.1.3 睡眠脑电分期指标21-22
- 2.2 脑电信号特征提取方法22-23
- 2.2.1 频域和时域分析的分析方法22-23
- 2.2.2 时频域分析方法23
- 2.2.3 非线性动力学方法23
- 2.3 特征分类方法23-24
- 2.3.1 决策树23-24
- 2.3.2 人工神经网络24
- 2.3.3 支持向量机24
- 2.4 脑电信号数据来源24-25
- 2.5 睡眠脑电自动分期系统25-26
- 2.6 本章小结26-27
- 第三章 脑电信号的预处理与特征提取27-37
- 3.1 脑电信号的预处理27-32
- 3.1.1 小波变换理论分析27-29
- 3.1.2 小波阈值去噪29-32
- 3.2 睡眠脑电基本节律的提取32-35
- 3.2.1 小波包理论分析32-33
- 3.2.2 节律特征提取33-35
- 3.3 能量特征提取实验35-36
- 3.4 本章小结36-37
- 第四章 基于样本熵与模糊熵的睡眠脑电研究37-54
- 4.1 样本熵特征提取分析37-44
- 4.1.1 样本熵算法描述37-40
- 4.1.2 样本熵特征提取40-44
- 4.2 模糊熵特征提取分析44-53
- 4.2.1 模糊熵算法描述44-46
- 4.2.2 模糊熵特征提取可行性分析46-48
- 4.2.3 模糊熵特征提取48-51
- 4.2.4 样本熵与模糊熵特征提取的比较51-53
- 4.3 本章小结53-54
- 第五章 基于SVM睡眠脑电自动分期研究54-65
- 5.1 支持向量机的理论基础54-55
- 5.1.1 VC维理论54-55
- 5.1.2 结构风险最小化原则55
- 5.2 支持向量机的算法描述55-58
- 5.3 SVM模型的构造58-59
- 5.4 基于SVM睡眠脑电分期结果分析59-64
- 5.4.1 SVM支持向量机分类器实验59-61
- 5.4.2 睡眠脑电分期结果分析61-64
- 5.5 本章小结64-65
- 结论与展望65-67
- 参考文献67-71
- 攻读硕士学位期间发表论文71-73
- 致谢73
【参考文献】
中国期刊全文数据库 前10条
1 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
2 童萍;吴承红;;大学生睡眠质量与健康状况的相关研究[J];中国健康心理学杂志;2010年02期
3 王菡侨;;有关美国睡眠医学学会睡眠分期的最新判读标准指南解析[J];诊断学理论与实践;2009年06期
4 和卫星;陈晓平;邵s，
本文编号：358903
本文链接：https://www.wllwen.com/linchuangyixuelunwen/358903.html
最近更新
教材专著
