發(fā)布時(shí)間：2017-10-10 22:05

  本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)的SAS自動(dòng)診斷模型設(shè)計(jì)

  更多相關(guān)文章： 睡眠呼吸暫停綜合征 BP神經(jīng)網(wǎng)絡(luò) 自動(dòng)診斷

【摘要】：睡眠呼吸暫停綜合征(Sleep Apnea Syndrome, SAS)被稱作“睡眠殺手”,是一種常見(jiàn)的睡眠類疾病。由于它的突發(fā)性以及引起諸多并發(fā)癥的特點(diǎn),越來(lái)越受到人們的關(guān)注。目前,SAS最可靠的診斷方法是利用多導(dǎo)睡眠儀(Polysomnography, PSG)進(jìn)行臨床診斷。然而,由于PSG診斷過(guò)程復(fù)雜、代價(jià)昂貴,難以得到推廣和使用。特別是在醫(yī)療水平欠發(fā)達(dá)的地區(qū),很多患者不能得到及時(shí)的診斷和治療。因此,設(shè)計(jì)一種可以替代PSG并且成本低廉、操作簡(jiǎn)單的診斷方法具有重要的現(xiàn)實(shí)意義。本文所作工作如下：1、采用小波分解算法、小波閾值去噪算法,去除基線漂移、肌電干擾、工頻干擾；2、利用模極大值原理和利普西斯指數(shù)實(shí)現(xiàn)對(duì)心電信號(hào)中的R波波峰定位,并解決了R波誤檢和漏檢問(wèn)題,提高了R波定位的準(zhǔn)確率；3、以RR間期為基礎(chǔ)進(jìn)行心率變異性(Heart Rate Variability, HRV)分析,得到時(shí)域、頻域共15組特征參數(shù)；利用Physionet Apnea-ECG數(shù)據(jù)庫(kù)的數(shù)據(jù)作為訓(xùn)練和測(cè)試樣本,將提取的15組特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型輸入向量進(jìn)行監(jiān)督式學(xué)習(xí)確定模型的權(quán)值和閾值；4、利用未知的35個(gè)樣本對(duì)所建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試,分類識(shí)別準(zhǔn)確率為85.7143%,基本滿足設(shè)計(jì)要求。
【關(guān)鍵詞】：睡眠呼吸暫停綜合征 BP神經(jīng)網(wǎng)絡(luò) 自動(dòng)診斷
【學(xué)位授予單位】：云南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R766;TP183
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-12
• 1.1 研究背景及意義7-8
• 1.2 SAS檢測(cè)手段8-9
• 1.3 國(guó)內(nèi)外SAS檢測(cè)方法研究現(xiàn)狀9-10
• 1.4 論文的研究目的和內(nèi)容安排10-12
• 第二章 睡眠呼吸暫停綜合癥與心電信號(hào)相關(guān)性基礎(chǔ)理論12-17
• 2.1 心電信號(hào)生理基礎(chǔ)12-14
• 2.1.1 心電信號(hào)產(chǎn)生機(jī)理12-13
• 2.1.2 典型的心電信號(hào)圖13-14
• 2.1.3 心電信號(hào)波形特征14
• 2.2 心率變異性生理意義14-15
• 2.2.1 心率變異性的定義14-15
• 2.2.2 心率變異性的臨床應(yīng)用范圍15
• 2.3 HRV與SAS相關(guān)性15-16
• 2.4 PhysioNet Apnea-ECG信號(hào)數(shù)據(jù)庫(kù)簡(jiǎn)介16-17
• 第三章 心電信號(hào)預(yù)處理及R波定位17-35
• 3.1 心電信號(hào)預(yù)處理17-23
• 3.1.1 心電信號(hào)噪聲來(lái)源分析17
• 3.1.2 心電信號(hào)去除基線漂移噪聲處理17-21
• 3.1.3 去除工頻干擾和肌電干擾21-23
• 3.2 小波變換算法介紹23-27
• 3.2.1 小波變換的定義23
• 3.2.2 Mallat算法簡(jiǎn)介23-26
• 3.2.3 小波變換模極大值原理和Lipschtz指數(shù)26-27
• 3.3 基于小波變換QRS波群檢測(cè)27-34
• 3.3.1 R波波峰定位算法27-30
• 3.3.2 QRS波群起始點(diǎn)及終點(diǎn)提取30-31
• 3.3.3 數(shù)據(jù)處理及結(jié)果31-34
• 3.4 本章小結(jié)34-35
• 第四章 基于ECG信號(hào)SAS特征參數(shù)提取35-43
• 4.1 RR間期與HRV關(guān)系研究35-36
• 4.2 HRV分析方法36-41
• 4.3 SAS特征參數(shù)提取41-42
• 4.4 本章小結(jié)42-43
• 第五章 BP神經(jīng)網(wǎng)絡(luò)的搭建和驗(yàn)證43-59
• 5.1 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)43-51
• 5.1.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀43-44
• 5.1.2 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí)44-48
• 5.1.3 BP神經(jīng)網(wǎng)絡(luò)工作原理48-51
• 5.2 基于BP神經(jīng)網(wǎng)絡(luò)SAS自動(dòng)檢測(cè)模型的搭建51-55
• 5.2.1 BP神經(jīng)網(wǎng)絡(luò)與心電信號(hào)應(yīng)用研究51
• 5.2.2 BP神經(jīng)網(wǎng)絡(luò)SAS自動(dòng)檢測(cè)算法設(shè)計(jì)51-55
• 5.3 仿真實(shí)驗(yàn)及結(jié)果分析55-58
• 5.4 本章小結(jié)58-59
• 第六章 總結(jié)與展望59-61
• 6.1 總結(jié)59-60
• 6.2 展望60-61
• 附錄61-64
• 參考文獻(xiàn)64-68
• 致謝68

，

本文編號(hào)：1008832