本文關(guān)鍵詞： 腦電信號 小波包 非線性動力學(xué) 粒子群算法 最小二乘支持向量機　出處：《中國礦業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著現(xiàn)代社會的快速發(fā)展,人們的生活節(jié)奏在不斷的加快,各種生活和心理上的壓力使得現(xiàn)代人的身心健康狀態(tài)備受威脅。由壓力造成的影響主要表現(xiàn)在現(xiàn)代人的睡眠狀態(tài)上,越來越多的人飽受失眠或者睡眠質(zhì)量低下的痛苦,而由此衍生出的生理或心理疾病也是數(shù)不勝數(shù)。因此對于睡眠腦電的研究越來越受到人們的關(guān)注。本文對睡眠腦電信號的基本特征和基本波形進行了介紹,由于不同的睡眠狀態(tài),其對應(yīng)的腦電信號均呈現(xiàn)不同的特點,為接下來的睡眠分期提供了理論上的依據(jù)。然后根據(jù)麻省理工學(xué)院提供的研究心律失常的數(shù)據(jù)庫來獲取本課題中所需要的睡眠腦電測試數(shù)據(jù)。本文主要從信號預(yù)處理、睡眠特征提取和特征參數(shù)分類三個方面實現(xiàn)算法設(shè)計。首先,由于腦電信號中存在著大量的背景噪聲,因此需要選取合適的去噪方法。通過實驗對比了小波包去噪結(jié)果,逐步實現(xiàn)了小波基函數(shù)、小波分解層數(shù)和閾值函數(shù)的選取。其次,運用非線性動力學(xué)對濾波后的睡眠腦電信號進行特征分析,驗證了相關(guān)維數(shù)、復(fù)雜度、Lyapunov指數(shù)和近似熵等特征參數(shù)均可以用來表征睡眠狀態(tài)。Lyapunov指數(shù)證明了大腦的混沌特性,相關(guān)維數(shù)、復(fù)雜度和近似熵則在不同的睡眠狀態(tài)中展現(xiàn)出了規(guī)律性的變化。最后,在對不同的分類器的原理和算法進行了分析對比的基礎(chǔ)上提出了使用粒子群算法對參數(shù)進行優(yōu)化。通過對比人工神經(jīng)網(wǎng)絡(luò)、最小二乘向量機和經(jīng)過粒子群算法優(yōu)化后的最小二乘向量機的睡眠分期結(jié)果,驗證了所提出的優(yōu)化算法的有效性。實驗結(jié)果表明,通過本文設(shè)計的分期系統(tǒng),在對7*400組特征值進行的識別實驗中,清醒期識別正確的有338組,錯誤的有31組,準(zhǔn)確率為91.60%;淺睡期識別正確的有411組,錯誤的有47組,準(zhǔn)確率為89.74%;深睡期識別正確的有242組,錯誤的有28組,準(zhǔn)確率為87.68%;快速眼動期識別正確的有269組,錯誤的有28組,準(zhǔn)確率為90.57%。最終得到的平均準(zhǔn)確率可以達到90.00%,由此證明了本課題中設(shè)計的自動分期系統(tǒng)是可行的。
[Abstract]:With the rapid development of modern society, people's rhythm of life is speeding up, and various kinds of life and psychological stress make the physical and mental health of modern people under threat. The influence of stress is mainly reflected in the sleep state of modern people. More and more people suffer from insomnia or poor sleep quality. Therefore, more and more attention has been paid to the study of sleep EEG. The basic characteristics and waveforms of sleep EEG are introduced in this paper. Because of different sleep states, their corresponding EEG signals show different characteristics. It provides a theoretical basis for the following sleep stages. Then according to the database provided by the Massachusetts Institute of Technology to study arrhythmia to obtain the sleep EEG test data needed in this study. The algorithm is designed in three aspects: sleep feature extraction and feature parameter classification. Firstly, due to the large amount of background noise in EEG signal, it is necessary to select the appropriate denoising method. The results of wavelet packet denoising are compared by experiments. The selection of wavelet basis function, wavelet decomposition layer number and threshold function is realized step by step. Secondly, nonlinear dynamics is used to analyze the characteristics of the filtered sleep EEG signal, and the correlation dimension is verified. The characteristic parameters such as complexity Lyapunov exponent and approximate entropy can be used to characterize the sleep state. Lyapunov exponent proves the chaotic characteristics of the brain. The correlation dimension, complexity and approximate entropy show regular changes in different sleep states. On the basis of analyzing and comparing the principles and algorithms of different classifiers, the particle swarm optimization (PSO) algorithm is proposed to optimize the parameters. The sleep staging results of the least square vector machine and the least squares vector machine optimized by particle swarm optimization verify the effectiveness of the proposed optimization algorithm. In the experiment of recognizing the characteristic values of 7C400 groups, 338 groups were correctly identified during waking period, 31 groups were wrong, the accuracy rate was 91.60%, 411 groups were correct in shallow sleep period, 47 groups were wrong, and the accuracy rate was 89.7474%, while 242 groups were correct in deep sleep. There are 28 groups of errors with the accuracy of 87.68, 269 groups with correct recognition of rapid eye movement period, and 28 groups with accuracy of 90.57. The average accuracy can reach 90.00g, which proves that the automatic staging system designed in this paper is feasible.
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R740;TN911.7

【相似文獻】

相關(guān)期刊論文 前10條

1 黃力宇,王旭萍;急性輕中度缺氧對腦電信號復(fù)雜度的影響[J];高原醫(yī)學(xué)雜志;2000年04期

2 薛蘊全,王秋英,王宏;腦電信號的動態(tài)時空響應(yīng)拓?fù)鋱D[J];儀器儀表學(xué)報;2001年S1期

3 馬穎穎;張涇周;吳疆;;腦電信號處理方法[J];北京生物醫(yī)學(xué)工程;2007年01期

4 謝松云;張振中;楊金孝;張坤;;腦電信號的若干處理方法研究與評價[J];計算機仿真;2007年02期

5 魯強;劉玉軍;徐建蘭;張進祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報;2011年06期

6 董盟盟;仲軼;徐潔;戴體俊;劉功儉;;基于小波分析的腦電信號處理[J];電子設(shè)計工程;2012年24期

7 戴銀濤,吳祈耀;快速提取腦電信號的譜分量參數(shù)[J];北京生物醫(yī)學(xué)工程;1989年01期

8 孟欣，歐陽楷;腦電信號的幾個非線性動力學(xué)分析方法[J];北京生物醫(yī)學(xué)工程;1997年03期

9 程明,高上凱,張琳;基于腦電信號的腦—計算機接口[J];北京生物醫(yī)學(xué)工程;2000年02期

10 羅建,崔亮,衛(wèi)娜,張治鋼;腦電信號采集與處理系統(tǒng)的研制[J];醫(yī)療衛(wèi)生裝備;2000年06期

相關(guān)會議論文 前10條

1 薛蘊全;王秋英;王宏;;腦電信號的動態(tài)時空響應(yīng)拓?fù)鋱D[A];中國儀器儀表學(xué)會第三屆青年學(xué)術(shù)會議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號診斷專家系統(tǒng)的研究[A];中國生理學(xué)會第21屆全國代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2002年

3 朱林劍;包海濤;孫守林;梁豐;;新型腦電信號采集方法與應(yīng)用研究[A];大連理工大學(xué)生物醫(yī)學(xué)工程學(xué)術(shù)論文集（第2卷）[C];2005年

4 許濤;朱林劍;包海濤;;基于思維腦電信號的假手的研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 李愛新;孫鐵;郭炎峰;;基于人工神經(jīng)網(wǎng)絡(luò)的腦電信號模式分類[A];自動化技術(shù)與冶金流程節(jié)能減排——全國冶金自動化信息網(wǎng)2008年會論文集[C];2008年

6 童珊;黃華;陳槐卿;;混沌理論在腦電信號分析中的應(yīng)用[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

7 李凌;曾慶寧;堯德中;;利用兩級抗交叉串?dāng)_自適應(yīng)濾波器提取誘發(fā)腦電信號[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

8 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];中國生物醫(yī)學(xué)工程進展——2007中國生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會論文集（下冊）[C];2007年

9 李麗君;黃思娟;吳效明;熊冬生;;基于運動想象的腦電信號特征提取與分類[A];中國儀器儀表學(xué)會醫(yī)療儀器分會2010兩岸四地生物醫(yī)學(xué)工程學(xué)術(shù)年會論文集[C];2010年

10 葛家怡;周鵬;王明時;;睡眠腦電信號樣本熵的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會2007年學(xué)術(shù)年會論文摘要集[C];2007年

相關(guān)重要報紙文章 前1條

1 張文清　記者 王春;意念控制車速及左右轉(zhuǎn)彎前行[N];科技日報;2008年

相關(guān)博士學(xué)位論文 前10條

1 彭宏;普適化腦電信息感知關(guān)鍵問題的研究[D];蘭州大學(xué);2015年

2 吳玉鵬;AR譜在皮層癇樣腦電信號分析應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 馬小飛;認(rèn)知任務(wù)下的腦電動力學(xué)分析[D];南京大學(xué);2017年

4 吳畏;基于統(tǒng)計建模的多導(dǎo)聯(lián)腦電信號時空建模方法研究[D];清華大學(xué);2012年

5 孫宇舸;腦—機接口系統(tǒng)中腦電信號處理方法的研究[D];東北大學(xué);2012年

6 周群;腦電信號同步：方法及應(yīng)用研究[D];電子科技大學(xué);2009年

7 趙麗;基于腦電信號的腦-機接口技術(shù)研究[D];天津大學(xué);2004年

8 李春勝;腦電信號混沌特性的研究與應(yīng)用[D];東北大學(xué);2011年

9 歐陽高翔;癲癇腦電信號的非線性特征識別與分析[D];燕山大學(xué);2010年

10 繆曉波;基于腦電信號的認(rèn)知動力學(xué)系統(tǒng)研究——線性/非線性方法及動態(tài)時—頻—空分析[D];重慶大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 劉欣;基于EEG的信號處理和睡眠分期研究[D];中國礦業(yè)大學(xué);2017年

2 于洪;基于腦電信號的警覺度估計[D];上海交通大學(xué);2007年

3 蔣潔;基于高性能計算的腦電信號分析[D];燕山大學(xué);2010年

4 張志琴;腦電信號的復(fù)雜性分析[D];中南大學(xué);2009年

5 許鳳娟;腦電信號采集與分析系統(tǒng)的設(shè)計[D];長春理工大學(xué);2011年

6 曹銘;意識障礙患者腦電信號的非線性動力學(xué)評價分析[D];杭州電子科技大學(xué);2012年

7 薛吉星;多通道腦電信號采集與處理系統(tǒng)研究[D];華南理工大學(xué);2015年

8 劉靜;基于加權(quán)排序熵的多通道腦電信號同步算法研究[D];燕山大學(xué);2015年

9 陳澤濤;基于腦電信號分析的AD早期評估系統(tǒng)的設(shè)計與實現(xiàn)[D];燕山大學(xué);2015年

10 王歡;基于非平穩(wěn)時間序列分析方法的腦電信號模式識別[D];蘇州大學(xué);2015年

，

本文編號：1514708