基于脑电信号特征提取的睡眠分期方法研究

发布时间：2017-08-14 15:37

  本文关键词：基于脑电信号特征提取的睡眠分期方法研究

  更多相关文章： 睡眠分期 脑电信号 小波包系数 排列熵 Petrosian分形维数 随机森林 支持向量机

【摘要】：睡眠的研究与许多学科相关,例如生理学、神经生物学、康复医学、心理学以及计算机等学科,目前各个国家都开始加强研究人类的睡眠。睡眠研究的目的之一是实现睡眠质量评估,而睡眠质量评估的一个重要依据就是睡眠状态的变化,这也是研究睡眠与睡眠相关疾病的基础,具有非常重要的意义。长期以来,由于睡眠状态的分期工作都由专家人工完成,分期规则具有一定的主观性。二十世纪八十年代起,由计算机辅助的自动睡眠分期逐渐引起关注并成为热点。但是目前常规的自动睡眠分期系统的分期准确率仍不高,还存在较大的提高空间。传统的自动睡眠分期方法都是以判断一个睡眠时期的时间片为单位进行特征参数提取,因此考虑按照不同的时间尺度提取特征参数,结合不同的分类模型设计高准确率、高效率的自动睡眠分期系统。本文首先论述了睡眠分期的国内外研究现状,以及睡眠EEG信号在睡眠分期研究中的应用。其次将4个不同分量小波包系数的均值和标准差、排列熵、Petrosian分形维数作为睡眠分期的特征参数,应用到随机分类森林与支持向量机系统中进行自动睡眠分期。本文的创新之处主要体现在以下方面:(1)针对睡眠脑电采用30秒、90秒、150秒以及210秒的不同时间尺度提取4个分量小波包系数的均值和标准差、排列熵、Petrosian分形维数,通过对不同睡眠阶段脑电信号特征参数的分析对比,发现EEG的上述几类特征都随着睡眠阶段的不同呈现一定的差别和变化规律,所以就将它们作为自动睡眠分期的特征指标。(2)介绍基于随机森林与支持向量机的分类识别器,通过对不同时间尺度取得的单个特征作为分类器的输入寻找最优的参数组合,将三种脑电信号特征参数的组合对分类模型进行训练,寻找高准确率、高效率的自动睡眠分期系统。最终确定210s时间尺度获得的小波包系数和标准差、30秒时间尺度获得的排列熵以及90秒时间尺度获得的Petrosian分形维数与SVM协同作用的自动睡眠分期系统比与随机森林协同具有更高的准确率。
【关键词】：睡眠分期 脑电信号 小波包系数 排列熵 Petrosian分形维数 随机森林 支持向量机
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R740;TN911.7
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-14
• 1.1 研究背景8-10
• 1.1.1 睡眠概述8
• 1.1.2 睡眠分期的概述8-10
• 1.2 睡眠分期发展及研究现状10-11
• 1.3 研究内容及意义11-12
• 1.4 本文结构12-14
• 第二章 脑电信号及多导睡眠检测14-23
• 2.1 脑电信号概述14-15
• 2.1.1 大脑的结构与功能14
• 2.1.2 脑电信号的机理与特征14-15
• 2.2 脑电图与信号检测15-21
• 2.2.1 脑电图16
• 2.2.2 脑电波的组成及睡眠脑电的特征16-18
• 2.2.3 脑电图的记录18-19
• 2.2.4 脑电信号分析方法19-21
• 2.3 多导睡眠检测21-22
• 2.4 本章小结22-23
• 第三章 睡眠脑电的特征提取算法研究23-41
• 3.1 基于小波包系数的睡眠脑电特征提取23-33
• 3.1.1 小波变换理论23-29
• 3.1.2 数据来源29
• 3.1.3 睡眠各期小波包特征29-33
• 3.2 基于排列熵的特征提取33-35
• 3.2.1 排列熵算法33-34
• 3.2.2 睡眠各期排列熵特征34-35
• 3.3 基于Petrosian分形维数的睡眠脑电特征提取35-39
• 3.3.1 分形维数算法35-36
• 3.3.2 Petrosian分形维数算法36
• 3.3.3 睡眠各期Petrosian分形维数的特征36-39
• 3.4 本章小结39-41
• 第四章 随机分类森林在自动睡眠分期中的应用41-51
• 4.1 决策树41-44
• 4.1.1 决策树的描述41-42
• 4.1.2 决策树的学习算法42-43
• 4.1.3 分类回归树43-44
• 4.2 随机森林44-47
• 4.2.1 基本原理及生成过程45-46
• 4.2.2 随机森林中的重要参数46-47
• 4.3 基于随机分类森林的睡眠脑电自动分期47-50
• 4.3.1 数据来源及说明47
• 4.3.2 仿真流程47-48
• 4.3.3 仿真实验和结果分析48-50
• 4.4 本章小结50-51
• 第五章 支持向量机在自动睡眠分期中的应用51-60
• 5.1 基于网格搜索优化的支持向量机51-55
• 5.1.1 支持向量机的基本理论51-54
• 5.1.2 基于RBF核函数的SVM参数54-55
• 5.1.3 网格搜索法优化参数55
• 5.2 基于支持向量机的自动睡眠分期55-59
• 5.2.1 数据来源55-56
• 5.2.2 仿真流程56
• 5.2.3 仿真实验和结果分析56-59
• 5.3 本章小结59-60
• 第六章 总结与展望60-62
• 参考文献62-65
• 附录1 攻读硕士学位期间撰写的论文65-66
• 附录2 攻读硕士学位期间参加的科研项目66-67
• 致谢67

【相似文献】

中国期刊全文数据库 前10条

1 薛蕴全,王秋英,王宏;脑电信号的动态时空响应拓扑图[J];仪器仪表学报;2001年S1期

2 马颖颖;张泾周;吴疆;;脑电信号处理方法[J];北京生物医学工程;2007年01期

3 谢松云;张振中;杨金孝;张坤;;脑电信号的若干处理方法研究与评价[J];计算机仿真;2007年02期

4 鲁强;刘玉军;徐建兰;张进禄;;一种适用于清醒动物脑电信号采集的固定装置[J];首都医科大学学报;2011年06期

5 董盟盟;仲轶;徐洁;戴体俊;刘功俭;;基于小波分析的脑电信号处理[J];电子设计工程;2012年24期

6 戴银涛,吴祈耀;快速提取脑电信号的谱分量参数[J];北京生物医学工程;1989年01期

7 孟欣，，欧阳楷;脑电信号的几个非线性动力学分析方法[J];北京生物医学工程;1997年03期

8 程明,高上凯,张琳;基于脑电信号的脑—计算机接口[J];北京生物医学工程;2000年02期

9 罗建,崔亮,卫娜,张治钢;脑电信号采集与处理系统的研制[J];医疗卫生装备;2000年06期

10 吴小培,冯焕清,周荷琴,王涛;独立分量分析及其在脑电信号预处理中的应用[J];北京生物医学工程;2001年01期

中国重要会议论文全文数据库 前10条

1 薛蕴全;王秋英;王宏;;脑电信号的动态时空响应拓扑图[A];中国仪器仪表学会第三届青年学术会议论文集（上）[C];2001年

2 王裕清;粱平;郭付清;张登攀;;脑电信号诊断专家系统的研究[A];中国生理学会第21届全国代表大会暨学术会议论文摘要汇编[C];2002年

3 朱林剑;包海涛;孙守林;梁丰;;新型脑电信号采集方法与应用研究[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年

4 许涛;朱林剑;包海涛;;基于思维脑电信号的假手的研究[A];提高全民科学素质、建设创新型国家——2006中国科协年会论文集（下册）[C];2006年

5 李爱新;孙铁;郭炎峰;;基于人工神经网络的脑电信号模式分类[A];自动化技术与冶金流程节能减排——全国冶金自动化信息网2008年会论文集[C];2008年

6 童珊;黄华;陈槐卿;;混沌理论在脑电信号分析中的应用[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

7 李凌;曾庆宁;尧德中;;利用两级抗交叉串扰自适应滤波器提取诱发脑电信号[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

8 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（下册）[C];2007年

9 李丽君;黄思娟;吴效明;熊冬生;;基于运动想象的脑电信号特征提取与分类[A];中国仪器仪表学会医疗仪器分会2010两岸四地生物医学工程学术年会论文集[C];2010年

10 葛家怡;周鹏;王明时;;睡眠脑电信号样本熵的研究[A];天津市生物医学工程学会2007年学术年会论文摘要集[C];2007年

中国重要报纸全文数据库 前1条

1 张文清　记者 王春;意念控制车速及左右转弯前行[N];科技日报;2008年

中国博士学位论文全文数据库 前10条

1 彭宏;普适化脑电信息感知关键问题的研究[D];兰州大学;2015年

2 吴玉鹏;AR谱在皮层痫样脑电信号分析应用[D];河北医科大学;2015年

3 吴畏;基于统计建模的多导联脑电信号时空建模方法研究[D];清华大学;2012年

4 孙宇舸;脑—机接口系统中脑电信号处理方法的研究[D];东北大学;2012年

5 周群;脑电信号同步：方法及应用研究[D];电子科技大学;2009年

6 赵丽;基于脑电信号的脑-机接口技术研究[D];天津大学;2004年

7 李春胜;脑电信号混沌特性的研究与应用[D];东北大学;2011年

8 欧阳高翔;癫痫脑电信号的非线性特征识别与分析[D];燕山大学;2010年

9 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

10 张美云;阿尔茨海默病脑电信号多尺度时空定量特征研究[D];天津医科大学;2012年

中国硕士学位论文全文数据库 前10条

1 于洪;基于脑电信号的警觉度估计[D];上海交通大学;2007年

2 蒋洁;基于高性能计算的脑电信号分析[D];燕山大学;2010年

3 张志琴;脑电信号的复杂性分析[D];中南大学;2009年

4 许凤娟;脑电信号采集与分析系统的设计[D];长春理工大学;2011年

5 曹铭;意识障碍患者脑电信号的非线性动力学评价分析[D];杭州电子科技大学;2012年

6 刘静;基于加权排序熵的多通道脑电信号同步算法研究[D];燕山大学;2015年

7 陈泽涛;基于脑电信号分析的AD早期评估系统的设计与实现[D];燕山大学;2015年

8 王晓滨;LED光针灸对脑功能的影响研究[D];天津职业技术师范大学;2015年

9 徐朝阳;基于深度网络的脑电信号分类方法研究[D];中国海洋大学;2015年

10 刘巨娟;基于脑电信号识别的驾驶员-汽车混合控制系统设计[D];东北大学;2014年

本文编号：673423