本文選題：睡眠分期　切入點：模糊特征　出處：《計算機工程與應用》2017年23期

【摘要】：利用腦電信號模糊特征分類的方法對睡眠進行分期研究。首先對腦電信號進行預處理,濾除干擾噪聲后使用模糊熵算法、多尺度熵算法以及復雜度算法對腦電信號進行特征參數(shù)提取,采用最小二乘支持向量機(the Least Squares Support Vector Machine,LS-SVM)對特征參數(shù)進行分類,并將睡眠過程分為清醒期、淺睡期、深睡期和快速眼動期(Rapid Eye Movement,REM),獲得分期正確率。最后通過上述方法對2 000組睡眠腦電樣本進行睡眠分期測試,與專家人工分期結果進行比對,將復雜度輸入到最小二乘支持向量機進行分類的平均正確率是92.65%,高于模糊熵和多尺度熵作為最小二乘向量機的輸入時的準確率。基于模糊特征的復雜度提取的特征參數(shù)可以作為睡眠分期的有效依據(jù),在保證準確度的前提下,降低人工成本。
[Abstract]:The stage of sleep was studied by using the fuzzy feature classification of EEG signals.Firstly, the EEG signal is preprocessed, and the fuzzy entropy algorithm, the multi-scale entropy algorithm and the complexity algorithm are used to extract the characteristic parameters of the EEG signal after filtering out the interference noise.The Least Squares Support Vector machine (LS-SVM) was used to classify the characteristic parameters, and the sleep process was divided into waking, shallow, deep and rapid Eye motion stages.Finally, 2000 groups of sleep EEG samples were tested by the above methods, and the results were compared with the results of expert artificial staging.The average accuracy of input complexity into least squares support vector machine is 92.65, which is higher than that of fuzzy entropy and multi-scale entropy as input of least squares vector machine.The feature parameters extracted based on the complexity of fuzzy features can be used as an effective basis for sleep stages and reduce the labor cost under the premise of ensuring accuracy.
【作者單位】： 吉林大學儀器科學與電氣工程學院;
【基金】：國家“十二五”科技支撐計劃課題(No.2015BAI02B04) 吉林市科技計劃項目(No.2015313013)
【分類號】：R740;TN911.7

【相似文獻】

相關期刊論文 前1條

1 王俊;馬千里;;基于多尺度熵的心電圖ST段研究[J];南京郵電大學學報(自然科學版);2008年03期

相關碩士學位論文 前4條

1 章琴;基于視覺和本體感覺阻斷的人體靜態(tài)平衡能力的評估研究[D];杭州電子科技大學;2016年

2 介丹;腦電信號的多尺度熵分析方法研究[D];太原理工大學;2017年

3 頓士君;基于腦電多尺度非線性分析的睡眠分期研究[D];燕山大學;2016年

4 王慧云;排列模糊熵及其在腦電分析中的應用[D];太原理工大學;2017年

，

本文編號：1717947