本文關(guān)鍵詞：基于腦電信號(hào)的自動(dòng)睡眠分期研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著當(dāng)前社會(huì)生活節(jié)奏的加快,社會(huì)生活各方面的壓力越來(lái)越大,與睡眠相關(guān)的疾病對(duì)人們生活的影響也越來(lái)越大。其中失眠是最常見(jiàn)的影響人們生活的睡眠障礙類疾病。腦電信號(hào)(EEG)是目前進(jìn)行睡眠障礙疾病治療診斷的重要依據(jù)。腦電信號(hào)是大腦神經(jīng)細(xì)胞群的電生理活動(dòng)的主要反映,當(dāng)人們進(jìn)入深入睡眠時(shí),大腦神經(jīng)細(xì)胞群減緩活動(dòng),同時(shí)腦電信號(hào)也會(huì)反映這種變化。由于腦電信號(hào)非平穩(wěn)性、隨機(jī)性、非線性、低信噪比的特性,因而進(jìn)行有效的睡眠分期一直是研究的難點(diǎn),傳統(tǒng)的人工識(shí)別睡眠分期的效率低、耗時(shí)費(fèi)力,因此睡眠腦電自動(dòng)分期對(duì)于改善睡眠質(zhì)量、醫(yī)學(xué)的臨床研究具有重要意義。本文的主要目的是研究一種基于雙導(dǎo)聯(lián)的腦電信號(hào)自動(dòng)分期方法。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于MIT-BIH中Sleep-EDF數(shù)據(jù)庫(kù)的8個(gè)正常受試者睡眠腦電信號(hào)。本文從信號(hào)預(yù)處理、腦電特征提取、特征參數(shù)分類三個(gè)方面實(shí)現(xiàn)睡眠腦電自動(dòng)分期系統(tǒng)的設(shè)計(jì)。本文的主要工作內(nèi)容如下：1.利用小波變換的方法對(duì)睡眠腦電原始信號(hào)進(jìn)行預(yù)處理,利用小波包的方法,提取腦電波信號(hào)基本節(jié)律波α波,θ波,δ波,β波并分別計(jì)算α波,θ波,δ波,β波特征波的相對(duì)能量(Ei/Eall),睡眠腦電信號(hào)的總能量值Eall以及α波和θ波的能量的比值Eα/Eθ, δ波和8波能量比值Eδ/Eθ。2.首先用樣本熵算法來(lái)提取腦電信號(hào)的樣本熵特征,針對(duì)樣本熵算法必須含有模板匹配的缺點(diǎn),研究模糊熵作為睡眠分期特征參數(shù)的可行性。把提取基本節(jié)律δ波和θ波作為特征向量,選擇模糊熵的方法對(duì)睡眠各階段進(jìn)行分析,最后用模糊熵的方法提取睡眠腦電模糊熵特征。3.在提取信號(hào)特征的基礎(chǔ)上利用支持向量機(jī)對(duì)睡眠腦電信號(hào)進(jìn)行自動(dòng)分期,驗(yàn)證分類器的泛化能力。利用能量特征值、樣本熵特征值、模糊熵特征值的對(duì)腦電信號(hào)進(jìn)行分期并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。根據(jù)腦電信號(hào)特點(diǎn)并結(jié)合熵值特征性質(zhì)、能量特征性質(zhì),提出基于樣本熵、模糊熵、能量特征值相結(jié)合的睡眠腦電自動(dòng)分期方法并驗(yàn)證該方法的分類效果。本文的主要?jiǎng)?chuàng)新之處下：1.基于樣本熵算法必須含有模板匹配的缺點(diǎn),研究模糊熵作為睡眠分期特征參數(shù)的可行性。利用提取基本節(jié)律δ波和θ波作為特征向量,選擇模糊熵的方法對(duì)睡眠各階段進(jìn)行分析,驗(yàn)證模糊熵值在睡眠各階段的變化趨勢(shì)。2.鑒于腦電信號(hào)的特點(diǎn),能量特征以及熵值的特點(diǎn),本文提出的能量特征、樣本熵特征、模糊熵特征相結(jié)合的方式進(jìn)行睡眠腦電自動(dòng)分期。實(shí)驗(yàn)結(jié)果表明,小波包、樣本熵、模糊熵都能夠有效的提取睡眠腦電信號(hào)的睡眠特征。在利用睡眠特征進(jìn)行睡眠分期時(shí)發(fā)現(xiàn)小波包提取的能量特征的識(shí)別正確率較低,樣本熵特征識(shí)別正確率相對(duì)于能量特征有明顯提高而模糊熵特征在睡眠腦電分期相對(duì)于樣本熵方法提高5%。本文提出的能量特征、樣本熵特征、模糊熵特征相結(jié)合的方式進(jìn)行睡眠腦電自動(dòng)分期,分期正確率高于單一的能量值特征和熵值特征。
【關(guān)鍵詞】：睡眠分期 小波包分解 模糊熵 樣本熵 特征提取 支持向量機(jī)
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TN911.7;R740
【目錄】：

• 摘要4-6
• ABSTRACT6-14
• 第一章 緒論14-19
• 1.1 學(xué)術(shù)背景及研究意義14-15
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀15-17
• 1.3 本文研究的主要內(nèi)容及結(jié)構(gòu)安排17-19
• 1.3.1 課題來(lái)源及研究?jī)?nèi)容17
• 1.3.2 論文結(jié)構(gòu)17-19
• 第二章 睡眠腦電分期原理19-27
• 2.1 睡眠及腦電的分析19-22
• 2.1.1 睡眠的概述19
• 2.1.2 腦電信號(hào)的特征19-21
• 2.1.3 睡眠腦電分期指標(biāo)21-22
• 2.2 腦電信號(hào)特征提取方法22-23
• 2.2.1 頻域和時(shí)域分析的分析方法22-23
• 2.2.2 時(shí)頻域分析方法23
• 2.2.3 非線性動(dòng)力學(xué)方法23
• 2.3 特征分類方法23-24
• 2.3.1 決策樹23-24
• 2.3.2 人工神經(jīng)網(wǎng)絡(luò)24
• 2.3.3 支持向量機(jī)24
• 2.4 腦電信號(hào)數(shù)據(jù)來(lái)源24-25
• 2.5 睡眠腦電自動(dòng)分期系統(tǒng)25-26
• 2.6 本章小結(jié)26-27
• 第三章 腦電信號(hào)的預(yù)處理與特征提取27-37
• 3.1 腦電信號(hào)的預(yù)處理27-32
• 3.1.1 小波變換理論分析27-29
• 3.1.2 小波閾值去噪29-32
• 3.2 睡眠腦電基本節(jié)律的提取32-35
• 3.2.1 小波包理論分析32-33
• 3.2.2 節(jié)律特征提取33-35
• 3.3 能量特征提取實(shí)驗(yàn)35-36
• 3.4 本章小結(jié)36-37
• 第四章 基于樣本熵與模糊熵的睡眠腦電研究37-54
• 4.1 樣本熵特征提取分析37-44
• 4.1.1 樣本熵算法描述37-40
• 4.1.2 樣本熵特征提取40-44
• 4.2 模糊熵特征提取分析44-53
• 4.2.1 模糊熵算法描述44-46
• 4.2.2 模糊熵特征提取可行性分析46-48
• 4.2.3 模糊熵特征提取48-51
• 4.2.4 樣本熵與模糊熵特征提取的比較51-53
• 4.3 本章小結(jié)53-54
• 第五章 基于SVM睡眠腦電自動(dòng)分期研究54-65
• 5.1 支持向量機(jī)的理論基礎(chǔ)54-55
• 5.1.1 VC維理論54-55
• 5.1.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則55
• 5.2 支持向量機(jī)的算法描述55-58
• 5.3 SVM模型的構(gòu)造58-59
• 5.4 基于SVM睡眠腦電分期結(jié)果分析59-64
• 5.4.1 SVM支持向量機(jī)分類器實(shí)驗(yàn)59-61
• 5.4.2 睡眠腦電分期結(jié)果分析61-64
• 5.5 本章小結(jié)64-65
• 結(jié)論與展望65-67
• 參考文獻(xiàn)67-71
• 攻讀碩士學(xué)位期間發(fā)表論文71-73
• 致謝73

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 劉慧;謝洪波;和衛(wèi)星;王志中;;基于模糊熵的腦電睡眠分期特征提取與分類[J];數(shù)據(jù)采集與處理;2010年04期

2 童萍;吳承紅;;大學(xué)生睡眠質(zhì)量與健康狀況的相關(guān)研究[J];中國(guó)健康心理學(xué)雜志;2010年02期

3 王菡僑;;有關(guān)美國(guó)睡眠醫(yī)學(xué)學(xué)會(huì)睡眠分期的最新判讀標(biāo)準(zhǔn)指南解析[J];診斷學(xué)理論與實(shí)踐;2009年06期

4 和衛(wèi)星;陳曉平;邵s，

本文編號(hào)：358903