睡眠脑电非线性动力学特性及SAS检测研究

发布时间：2017-05-31 02:03

  本文关键词：睡眠脑电非线性动力学特性及SAS检测研究，由笔耕文化传播整理发布。

【摘要】：睡眠是人类最重要的生理活动。随着现代生活节奏的加快及生活方式的改变,各种睡眠障碍疾病的发生机率大大增加。睡眠呼吸暂停综合征(SAS)是一种发病率很高的睡眠障碍疾病,不仅严重危害人类健康,是高血压、心肌梗死等心脑血管疾病的的独立危险因素,同时给家庭和社会带来巨大隐患。由于基于多导睡眠图(PSG)的传统SAS检测方法昂贵、复杂及给患者带来不适,研究者们试图通过对单一或少量生理信号利用信号处理方法提取SAS的特征,研究可以替代PSG的SAS检测方法。脑电反映大脑组织的电活动及大脑的功能状态,是描述睡眠过程最直观的参数。本研究拟采用非线性方法,对睡眠过程中脑电的非线性动力学特性进行研究,并提取SAS患者的脑电非线性动力学指标,从而实现SAS患者的自动检测。选择6名SAS患者和6名健康志愿者(Normal)的睡眠脑电作为研究对象。首先对睡眠脑电的噪声去除算法进行了深入研究,利用小波阈值法和独立分量分析(ICA)算法对睡眠脑电的心电伪迹进行去除,与传统伪迹减法相比,独立分量分析算法信噪比明显提高,而小波去噪法计算速度快,有效抑制了脑电中的白噪声,能较好的保留原信号的特征尖峰点;论文基于互信息法理论完善,适于研究非线性序列,而Cao法所需数据量小,计算效率高等特点,采用互信息法确定延迟时间,Cao法计算嵌入维数,对睡眠脑电进行了相空间重构;并采用IAAFT替代数据法对其非线性进行验证,研究证实两组的脑电信号均具有混沌性特性,适于用非线性方法进行分析。本文从混沌的分形特性和序列复杂度特性的四个非线性参数对睡眠脑电进行了研究:(1)利用关联维研究睡眠脑电的分形特性。研究发现,SAS组和Normal组睡眠脑电的关联维从觉醒、浅睡到深睡阶段,随着睡眠加深,其关联维均逐渐减小,但到REM快速眼动期时,关联维又上升至觉醒和浅睡期的水平;同时SAS组的关联维在四个睡眠阶段均显著低于Normal组(p0.01)。关联维是描述混沌自由度的分形维参数,表征系统的确定性和规律程度。关联维的变化趋势说明随着睡眠加深,大脑细胞活跃程度逐渐下降,活动自由度减少;而关联维在两组间的显著差异表明:SAS患者呼吸暂停等病理状况对大脑神经活动存在显著影响。(2)利用去趋势波动分析(DFA)对两组被试的睡眠脑电进行幂律相关性研究,DFA是研究时间空间序列中长范围相关性的有效方法。结果显示标度指数随睡眠加深而逐渐增大,在REM阶段,标度指数又下降;同时SAS患者的标度指数在各睡眠阶段均显著高于Normal组(p0.01),提示SAS患者受病理影响,其脑电相对于健康人具有更强的自相似性规律,振荡模式更为平滑。(3)利用样本熵(SampEn)和Lempel-Ziv复杂度分别从熵特性和符号动力学角度刻画睡眠脑电的复杂度。两指标在SAS组和Normal组的睡眠过程中表现出一致且与生理过程密切吻合的变化规律:随着睡眠加深,脑电复杂度逐渐下降至最低,而在REM阶段,复杂度又上升;同时,SAS组和Normal组的SampEn和LZ复杂度在各睡眠阶段均存在显著差异(p0.01),且SAS组各阶段均显著低于Normal组,提示睡眠呼吸暂停所引起的脑部缺氧或其他病理状况对大脑神经活动有显著影响,引起大脑细胞的活跃度显著降低,复杂度下降。根据上述研究,本文得到SAS组和Normal组睡眠脑电信号的非线性特性存在显著差异的创新结论,证实睡眠呼吸暂停综合征的病理特性对大脑神经功能和活动状态存在显著影响。在此基础上,本文创造性地提出了基于睡眠脑电非线性特性的SAS检测方法,并采用支持向量机(SVM)算法,利用这四个特征参数对SAS患者进行分类实践。SVM算法适于小样本学习,且泛化能力强。结果显示,四个参数对SAS均有一定的辨识能力,尤其是DFA标度指数,准确率非常稳定且平均高达97.2%;LZ复杂度和SampEn的准确率分别为83.8%和82.5%,且LZ复杂度敏感度达92.3%;当进行联合判断时,DFA标度指数和LZ复杂度联合判断的准确率最高,平均达87.5%,特异性达96.5%。研究证明,睡眠脑电的非线性动力学参数能很好表征SAS,为SAS研究提供了新的方向。
【关键词】：睡眠呼吸暂停综合征(SAS) 脑电(EEG) 非线性 支持向量机(SVM)
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：R766;R741.044
【目录】：

• 摘要5-7
• Abstract7-13
• 第一章 绪论13-31
• 1.1 研究背景及意义13-14
• 1.2 睡眠呼吸暂停综合征14-19
• 1.2.1 相关术语14-16
• 1.2.2 睡眠呼吸暂停综合征发病机制16-18
• 1.2.3 睡眠呼吸暂停综合征的危害18-19
• 1.3 国内外研究现状19-28
• 1.3.1 睡眠呼吸暂停综合征检测金标准20-22
• 1.3.2 睡眠呼吸暂停综合征研究新方法22-25
• 1.3.3 睡眠脑电分析方法25-28
• 1.4 主要研究内容28-29
• 1.5 数据来源29-30
• 1.6 论文结构安排30-31
• 第二章 睡眠脑电噪声去除算法研究31-51
• 2.1 脑电31-32
• 2.2 脑电与睡眠32-36
• 2.2.1 睡眠脑电节律33-34
• 2.2.2 脑电与睡眠时相34-36
• 2.3 脑电噪声来源36-40
• 2.3.1 外界噪声36-37
• 2.3.2 生理伪迹37-40
• 2.4 脑电噪声去除算法40-48
• 2.4.1 伪迹减法40-41
• 2.4.2 回归法41-42
• 2.4.3 主成分分析42-43
• 2.4.4 独立分量分析43-44
• 2.4.5 小波分析44-48
• 2.5 睡眠脑电伪迹去除48-50
• 2.6 本章小结50-51
• 第三章 睡眠脑电的非线性检验51-71
• 3.1 非线性理论51-54
• 3.2 睡眠脑电相空间重构54-60
• 3.2.1 延迟时间56-58
• 3.2.2 嵌入维数58-60
• 3.3 非线性检验60-69
• 3.3.1 替代数据法61-68
• 3.3.2 鉴别统计量68
• 3.3.3 睡眠脑电非线性检验68-69
• 3.4 本章小结69-71
• 第四章 睡眠脑电非线性动力学特性分析71-98
• 4.1 实验数据71-72
• 4.2 分形特性72-87
• 4.2.1 睡眠脑电的分形维特性73-80
• 4.2.2 基于去趋势波动分析的睡眠脑电研究80-87
• 4.3 复杂度特性87-97
• 4.3.1 睡眠脑电熵特性87-93
• 4.3.2 睡眠脑电的Lempel-Ziv复杂度研究93-97
• 4.4 本章小结97-98
• 第五章 睡眠呼吸暂停综合征自动检测98-110
• 5.1 模式识别理论98-99
• 5.2 支持向量机99-104
• 5.2.1 线性可分和线性不可分100-102
• 5.2.2 非线性102-103
• 5.2.3 核函数103-104
• 5.3 睡眠呼吸暂停综合征自动判别104-109
• 5.3.1 特征量104-105
• 5.3.2 算法设计105-107
• 5.3.3 实验结果与评价107-109
• 5.4 本章小结109-110
• 第六章 总结与展望110-112
• 6.1 论文总结110-111
• 6.2 工作展望111-112
• 参考文献112-131
• 攻读博士/硕士学位期间取得的研究成果131-132
• 致谢132-133
• 附件133

【参考文献】

中国硕士学位论文全文数据库 前1条

1 刘跃雷;一种新的人睡眠EEG自动分期方法研究[D];兰州大学;2010年

  本文关键词：睡眠脑电非线性动力学特性及SAS检测研究，，由笔耕文化传播整理发布。

本文编号：408367