基于EEG的睡眠分期与睡眠评估方法研究

发布时间：2017-09-26 14:09

  本文关键词：基于EEG的睡眠分期与睡眠评估方法研究

  更多相关文章： 脑电信号处理 自动睡眠分期 睡眠评估 特征提取 模式识别 最小二乘支持向量机(LS-SVM)

【摘要】：睡眠是对人的健康至关重要,随着睡眠障碍病患的高发,睡眠问题备受关注。睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提,具有重要临床意义。睡眠研究一直是个热门话题,临床上普遍采用人工判别法实现睡眠分期,效率太低,心理量表法主观性太强,生理参数检测法是一种客观有效的方法。近年来,已有许多学者致力于睡眠EEG自动分期研究,但国外进展较好,国内相对滞后,利用睡眠EEG评估睡眠质量的准确性需待进一步提高。研究了一种基于单通道脑电信号的睡眠自动分期方法。对获取的脑电信号进行预处理,提取有效的睡眠脑电特征。设计性能优良的分类器,实现睡眠自动分期。建立结合睡眠脑电信号分析、匹兹堡睡眠质量指数量表和主诉睡眠情况的睡眠综合评估模型。睡眠脑电十分复杂,直接分析和处理很困难,提取反映睡眠时相变化的特征是睡眠自动分期的重要任务。基于信号处技术和非线性动力学方法,提取有效的睡眠脑电特征(10个能量特征和1个Lempel-Ziv复杂度特征)。10个能量特征包括总能量,k-complex波、δ波、θ波、α波、sleep spindle波、β1波和β2波的相对能量,以及两个波段的能量比(E E??、E E??)。对比FIR带通滤波器、Hilbert-Huang变换和小波包分解三种脑电特征波提取方法,并验证了特征的有效性。模式分类是睡眠自动分期的关键技术,选用LS-SVM作为分类器,对睡眠脑电特征进行识别,实现自动分期。比较几种流行的模式识别分类方法(fisher线性判别分类器、人工神经网络和LS-SVM),对各个算法的优缺点进行分析总结。设计性能良好的LS-SVM多分类器,对自动分期系统进行测试,验证该睡眠自动分期方法的有效性。基于睡眠的复杂性特点,在睡眠自动分期系统的基础上,建立睡眠脑电信号分析、匹兹堡睡眠质量指数量表和主诉睡眠情况相结合的睡眠综合评估模型。量表法评估睡眠简单直接,但主观性较强;脑电信号检测法是一种客观的方法,但需进行大量信号处理分析,且结果受分期准确率的限制。结合各种方法的优缺点,建立睡眠综合评估系统,使睡眠评估更客观、准确。
【关键词】：脑电信号处理 自动睡眠分期 睡眠评估 特征提取 模式识别 最小二乘支持向量机(LS-SVM)
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R740;R318.04
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-21
• 1.1 课题研究的背景和意义11-13
• 1.1.1 课题研究的背景11-12
• 1.1.2 课题研究的意义12-13
• 1.2 睡眠脑电研究现状13-15
• 1.2.1 睡眠脑电研究现状13
• 1.2.2 睡眠分期现状13-15
• 1.3 睡眠监测技术国内外发展现状15-19
• 1.3.1 多导睡眠监测仪（PSG）15-17
• 1.3.2 便携式睡眠监测仪（PMDs）17-19
• 1.4 研究内容和论文结构19-21
• 1.4.1 论文研究的内容19-20
• 1.4.2 论文结构安排20-21
• 第二章 睡眠脑电分期原理21-31
• 2.1 脑电基础知识21-25
• 2.1.1 脑电信号的产生21
• 2.1.2 脑电信号的采集21-23
• 2.1.3 脑电的基本波形23-24
• 2.1.4 脑电信号的分析方法24-25
• 2.2 睡眠基础理论25-28
• 2.2.1 睡眠分期准则25-26
• 2.2.2 睡眠各期特点26-28
• 2.3 睡眠脑电分期系统28-30
• 2.3.1 睡眠脑电自动分期系统28-29
• 2.3.2 实验数据及预处理29-30
• 2.4 本章小结30-31
• 第三章 特征提取算法研究31-46
• 3.1 能量特征提取算法及实验31-40
• 3.1.1 脑电能量特征提取算法31-35
• 3.1.2 能量特征提取实验35-40
• 3.2 LZC特征提取算法及实验40-42
• 3.2.1 LZC算法原理40-41
• 3.2.2 LZC特征提取实验41-42
• 3.3 特征降维方法及实验42-45
• 3.3.1 特征选择方法42-44
• 3.3.2 主成分分析(PCA)方法44-45
• 3.4 本章小结45-46
• 第四章 分类算法研究46-56
• 4.1 分类算法原理46-51
• 4.1.1 fisher线性分类器46-48
• 4.1.2 人工神经网络48-49
• 4.1.3 最小二乘支持向量机（LS-SVM）49-51
• 4.2 自动分期实验51-54
• 4.2.1 LS-SVM多分类器的构建51-52
• 4.2.2 自动分期系统测试52-54
• 4.2.3 结果讨论54
• 4.3 本章小结54-56
• 第五章 睡眠质量评估系统56-60
• 5.1 基于EEG的睡眠评估56-58
• 5.1.1 睡眠测量指标56-57
• 5.1.2 基于EEG的睡眠评估57-58
• 5.2 睡眠质量综合评估系统58-59
• 5.3 本章小结59-60
• 总结和展望60-63
• 总结60
• 展望60-63
• 参考文献63-70
• 附录:匹茨堡睡眠质量指数量表(PSQI)70-77
• 攻读硕士期间取得的研究成果77-78
• 致谢78-79
• 附件79

【参考文献】

中国期刊全文数据库 前5条

1 毛勇;周晓波;夏铮;尹征;孙优贤;;特征选择算法研究综述[J];模式识别与人工智能;2007年02期

2 李英远,周卫东;径向基函数神经网络在脑电信号建模中的应用[J];山东生物医学工程;2002年02期

3 江朝晖,刘大路,冯焕清,袁宇;脑电复杂性的一种新特征[J];数据采集与处理;2005年01期

4 徐琳,许百华;非线性动力学脑电信号分析方法的研究与应用[J];心理科学;2005年03期

5 向玲;朱永利;唐贵基;;HHT方法在转子振动故障诊断中的应用[J];中国电机工程学报;2007年35期

中国博士学位论文全文数据库 前2条

1 方光战;大鼠睡眠分期及脑电标度行为研究[D];电子科技大学;2010年

2 朱晓军;HHT变换及其在脑电信号处理中的应用研究[D];太原理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 安文娟;Fisher和支持向量综合分类器[D];辽宁师范大学;2010年

2 戴冷n\;脑电信号的特征提取与分析方法研究[D];浙江大学;2011年

3 李伟研;睡眠脑电信号处理及其在睡眠分期中的应用研究[D];广东工业大学;2011年

4 江丽仪;睡眠过程心率变异性分析及睡眠呼吸暂停综合征的判别研究[D];华南理工大学;2011年

5 朱晓恩;基于群体智能的医学图像特征优化算法研究[D];浙江大学;2012年

6 吴晓彬;时频分析及其在脑电信号分析中应用的研究[D];大连理工大学;2005年

7 李凌;Hilbert-Huang变换在说话人识别中的应用[D];湘潭大学;2006年

8 肖余粮;睡眠脑电的特性分析和睡眠分期研究[D];江苏大学;2006年

9 张新闻;脑—机系统中特征提取方法的研究[D];兰州理工大学;2007年

10 梁晓花;基于脑电心电数据融合的睡眠分期[D];江苏大学;2008年

，

本文编号：923925