基于BP神经网络的SAS自动诊断模型设计

发布时间：2017-10-10 22:05

  本文关键词：基于BP神经网络的SAS自动诊断模型设计

  更多相关文章： 睡眠呼吸暂停综合征 BP神经网络 自动诊断

【摘要】：睡眠呼吸暂停综合征(Sleep Apnea Syndrome, SAS)被称作“睡眠杀手”,是一种常见的睡眠类疾病。由于它的突发性以及引起诸多并发症的特点,越来越受到人们的关注。目前,SAS最可靠的诊断方法是利用多导睡眠仪(Polysomnography, PSG)进行临床诊断。然而,由于PSG诊断过程复杂、代价昂贵,难以得到推广和使用。特别是在医疗水平欠发达的地区,很多患者不能得到及时的诊断和治疗。因此,设计一种可以替代PSG并且成本低廉、操作简单的诊断方法具有重要的现实意义。本文所作工作如下：1、采用小波分解算法、小波阈值去噪算法,去除基线漂移、肌电干扰、工频干扰；2、利用模极大值原理和利普西斯指数实现对心电信号中的R波波峰定位,并解决了R波误检和漏检问题,提高了R波定位的准确率；3、以RR间期为基础进行心率变异性(Heart Rate Variability, HRV)分析,得到时域、频域共15组特征参数；利用Physionet Apnea-ECG数据库的数据作为训练和测试样本,将提取的15组特征参数作为BP神经网络模型输入向量进行监督式学习确定模型的权值和阈值；4、利用未知的35个样本对所建立的BP神经网络进行测试,分类识别准确率为85.7143%,基本满足设计要求。
【关键词】：睡眠呼吸暂停综合征 BP神经网络 自动诊断
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R766;TP183
【目录】：

• 摘要3-4
• Abstract4-7
• 第一章 绪论7-12
• 1.1 研究背景及意义7-8
• 1.2 SAS检测手段8-9
• 1.3 国内外SAS检测方法研究现状9-10
• 1.4 论文的研究目的和内容安排10-12
• 第二章 睡眠呼吸暂停综合症与心电信号相关性基础理论12-17
• 2.1 心电信号生理基础12-14
• 2.1.1 心电信号产生机理12-13
• 2.1.2 典型的心电信号图13-14
• 2.1.3 心电信号波形特征14
• 2.2 心率变异性生理意义14-15
• 2.2.1 心率变异性的定义14-15
• 2.2.2 心率变异性的临床应用范围15
• 2.3 HRV与SAS相关性15-16
• 2.4 PhysioNet Apnea-ECG信号数据库简介16-17
• 第三章 心电信号预处理及R波定位17-35
• 3.1 心电信号预处理17-23
• 3.1.1 心电信号噪声来源分析17
• 3.1.2 心电信号去除基线漂移噪声处理17-21
• 3.1.3 去除工频干扰和肌电干扰21-23
• 3.2 小波变换算法介绍23-27
• 3.2.1 小波变换的定义23
• 3.2.2 Mallat算法简介23-26
• 3.2.3 小波变换模极大值原理和Lipschtz指数26-27
• 3.3 基于小波变换QRS波群检测27-34
• 3.3.1 R波波峰定位算法27-30
• 3.3.2 QRS波群起始点及终点提取30-31
• 3.3.3 数据处理及结果31-34
• 3.4 本章小结34-35
• 第四章 基于ECG信号SAS特征参数提取35-43
• 4.1 RR间期与HRV关系研究35-36
• 4.2 HRV分析方法36-41
• 4.3 SAS特征参数提取41-42
• 4.4 本章小结42-43
• 第五章 BP神经网络的搭建和验证43-59
• 5.1 人工神经网络基础43-51
• 5.1.1 人工神经网络发展现状43-44
• 5.1.2 人工神经网络基础知识44-48
• 5.1.3 BP神经网络工作原理48-51
• 5.2 基于BP神经网络SAS自动检测模型的搭建51-55
• 5.2.1 BP神经网络与心电信号应用研究51
• 5.2.2 BP神经网络SAS自动检测算法设计51-55
• 5.3 仿真实验及结果分析55-58
• 5.4 本章小结58-59
• 第六章 总结与展望59-61
• 6.1 总结59-60
• 6.2 展望60-61
• 附录61-64
• 参考文献64-68
• 致谢68

，

本文编号：1008832