睡眠是人體進(jìn)行機(jī)體自我修復(fù)的重要環(huán)節(jié)。良好的睡眠使人精力充沛,糟糕的睡眠使人萎靡不振,還會(huì)誘發(fā)疾病。對(duì)睡眠質(zhì)量進(jìn)行分析可以作為生理健康監(jiān)測(cè)的手段,睡眠分期又是睡眠質(zhì)量分析中較為基礎(chǔ)的環(huán)節(jié)�；谛穆首儺愋赃M(jìn)行睡眠分期相較于傳統(tǒng)的基于腦電信號(hào)進(jìn)行睡眠分期能夠克服受試者傳感器佩戴的束縛、實(shí)驗(yàn)費(fèi)用昂貴等一些局限性,使便攜式睡眠監(jiān)測(cè)設(shè)備的開發(fā)成為可能。本文使用心率變異性相關(guān)指標(biāo)構(gòu)建睡眠分期模型。本文主要進(jìn)行了以下工作:第一,實(shí)驗(yàn)數(shù)據(jù)獲取。本文使用MIT-BIH數(shù)據(jù)庫獲取相關(guān)數(shù)據(jù),通過計(jì)算選擇合適的數(shù)據(jù)作為數(shù)據(jù)源。從實(shí)驗(yàn)數(shù)據(jù)源中提取RR間期信號(hào)并對(duì)其進(jìn)行樣條插值和重采樣,得到時(shí)間間隔均勻的RR間期信號(hào),同時(shí)從實(shí)驗(yàn)數(shù)據(jù)源中提取出睡眠分期標(biāo)簽。第二,對(duì)心率變異性相關(guān)特征進(jìn)行提取。使用統(tǒng)計(jì)方法對(duì)時(shí)域特征RR間期均值MEAN、RR間期標(biāo)準(zhǔn)差SDNN、相鄰RR間期差值的均方根RMSSD進(jìn)行提取;使用小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解等方法對(duì)頻域特征指標(biāo)VLF、LF、HF、LF/HF、TP進(jìn)行提取;使用混沌和分形方法相結(jié)合對(duì)非線性指標(biāo)盒維數(shù)進(jìn)行提取,使用Wolf方法對(duì)最大李雅普諾夫指數(shù)進(jìn)行提取。將提取得到的3類10種心率變異性特征組合為特征向量,對(duì)特征向量進(jìn)行數(shù)據(jù)預(yù)處理操作,并進(jìn)行PCA降維以降低數(shù)據(jù)冗余度。第三,對(duì)睡眠分期模型進(jìn)行建模。建模中使用一對(duì)一的多分類支持向量機(jī)解決方案,選取徑向基核函數(shù)作為支持向量機(jī)核函數(shù),同時(shí)將遺傳算法和網(wǎng)格搜索算法相結(jié)合對(duì)超參數(shù)進(jìn)行尋優(yōu),將提取出來的時(shí)頻域以及非線性特征作為特征向量,使用SMO算法訓(xùn)練得到睡眠分期模型。第四,進(jìn)行實(shí)驗(yàn)驗(yàn)證。首先通過實(shí)驗(yàn)選取交叉驗(yàn)證的折數(shù)k以及遺傳算法中的一些參數(shù)項(xiàng)ga_option的值。其次使用遺傳算法和網(wǎng)格搜索算法相結(jié)合對(duì)超參數(shù)進(jìn)行尋優(yōu),尋優(yōu)結(jié)果對(duì)應(yīng)的模型最佳準(zhǔn)確率為80.5195%,而單獨(dú)使用網(wǎng)格搜索算法進(jìn)行參數(shù)尋優(yōu)對(duì)應(yīng)的模型最佳準(zhǔn)確率為79.8701%。相比較而言,前者具有更好的參數(shù)尋優(yōu)結(jié)果。然后對(duì)支持向量機(jī)進(jìn)行訓(xùn)練,使用訓(xùn)練出來的模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類預(yù)測(cè),并用混淆矩陣對(duì)睡眠分期模型的性能進(jìn)行評(píng)估。評(píng)估結(jié)果顯示,睡眠分期模型在測(cè)試集上的平均分類準(zhǔn)確率為63.10%,模型對(duì)NREM期的LIGHT、DEEP兩個(gè)階段的分類準(zhǔn)確率較高,可高達(dá)93%,但是對(duì)WAKE和REM兩個(gè)階段的分期效果不是很好。同時(shí)設(shè)計(jì)不包含盒維數(shù)、最大李雅普諾夫指數(shù)兩個(gè)非線性特征的模型作為實(shí)驗(yàn)對(duì)照組,對(duì)其性能進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果顯示,不包含非線性特征的模型的平均分類準(zhǔn)確率為60.21%,與包含非線性指標(biāo)的模型準(zhǔn)確率63.10%相比要低。該結(jié)果表明使用盒維數(shù)、最大李雅普諾夫指數(shù)這兩個(gè)非線性特征的睡眠分期模型的分期結(jié)果更為理想。
【學(xué)位單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP18;R740
【部分圖文】：

slp67x 0.47 0.00 0.53 0.00Average 0.32 0.07 0.55 0.05圖2.1 睡眠標(biāo)簽示意圖同時(shí)需要編寫matlab腳本程序?qū)?ecg心電注釋文件進(jìn)行讀取，將相關(guān)信息進(jìn)行轉(zhuǎn)換，得到R峰所在位置。將兩個(gè)相鄰注釋記錄的時(shí)間進(jìn)行差分計(jì)算得到等心拍（非等時(shí)間間隔）RR間期序列，如圖2.2所示：圖2.2 未經(jīng)插值和重采樣的RR間期序列

同時(shí)需要編寫matlab腳本程序?qū)?ecg心電注釋文件進(jìn)行讀取，將相關(guān)信息進(jìn)行轉(zhuǎn)換，得到R峰所在位置。將兩個(gè)相鄰注釋記錄的時(shí)間進(jìn)行差分計(jì)算得到等心拍（非等時(shí)間間隔）RR間期序列，如圖2.2所示：圖2.2 未經(jīng)插值和重采樣的RR間期序列

插值之后得到等時(shí)間間隔RR間期序列，對(duì)等時(shí)間間隔RR間期序列進(jìn)行重采樣，信號(hào)進(jìn)行重采樣的采樣頻率為2.5Hz。經(jīng)過插值和重采樣后等時(shí)間間隔RR間期序列的時(shí)域信號(hào)如圖2.3所示。圖2.3 插值和重采樣后RR間期序列數(shù)據(jù)庫中實(shí)驗(yàn)仿真數(shù)據(jù)獲取流程圖如圖2.4所示：圖2.4 實(shí)驗(yàn)仿真數(shù)據(jù)獲取流程圖MIT-BIH數(shù)據(jù)庫.st文件中獲取睡眠標(biāo)簽篩選出合適的實(shí)例作為數(shù)據(jù)源.ecg文件中提取R峰位置等心拍/非等時(shí)間間隔RR間期序列等時(shí)間間隔RR間期序列樣條插值擬合，2.5Hz重采樣相鄰記錄進(jìn)行差分計(jì)算時(shí)間長度匹配計(jì)算MATLAB平臺(tái)腳本程序MATLAB平臺(tái)腳本程序
【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 彭文;王慧娣;;阻塞性睡眠呼吸暫停綜合征的研究進(jìn)展[J];中國醫(yī)藥導(dǎo)刊;2013年09期

2 王富強(qiáng);王東風(fēng);韓璞;;基于混沌相空間重構(gòu)與支持向量機(jī)的風(fēng)速預(yù)測(cè)[J];太陽能學(xué)報(bào);2012年08期

3 賈花萍;;基于神經(jīng)網(wǎng)絡(luò)集成的睡眠腦電分期研究[J];計(jì)算技術(shù)與自動(dòng)化;2012年02期

4 成詞松;諸毅暉;趙鶯;;論睡眠的生理基礎(chǔ)[J];遼寧中醫(yī)藥大學(xué)學(xué)報(bào);2010年02期

相關(guān)碩士學(xué)位論文 前4條

1 王偉;基于腦電信號(hào)分析的睡眠監(jiān)測(cè)研究[D];吉林大學(xué);2017年

2 索艷風(fēng);不同年齡睡眠質(zhì)量對(duì)健康相關(guān)生命質(zhì)量影響的差異研究[D];北京中醫(yī)藥大學(xué);2017年

3 唐其彪;基于腦電信號(hào)的自動(dòng)睡眠分期研究[D];廣東工業(yè)大學(xué);2016年

4 高群霞;基于EEG的睡眠分期與睡眠評(píng)估方法研究[D];華南理工大學(xué);2015年

本文編號(hào)：2864647