本文關(guān)鍵詞：基于腦電多尺度非線性分析的睡眠分期研究

  更多相關(guān)文章： 睡眠分期 多尺度LZ復(fù)雜度 多尺度模糊熵 支持向量機

【摘要】：睡眠是人體緩解疲勞、恢復(fù)精神的最好方式。但隨著生活節(jié)奏的加快、工作壓力的增大,越來越多的人受到失眠等睡眠障礙的困擾,嚴重影響了人們的身心健康。研究睡眠狀態(tài)下腦電信號特性,并實現(xiàn)自動睡眠分期是改善睡眠質(zhì)量、診斷睡眠疾病的基礎(chǔ),具有重要的應(yīng)用價值和理論意義。首先,在單尺度LZ復(fù)雜度的基礎(chǔ)上結(jié)合多尺度分析,設(shè)計了多尺度LZ復(fù)雜度非線性分析方法。仿真數(shù)據(jù)分析表明該方法克服了單尺度LZ復(fù)雜度只能描述信號單一頻率特征的缺陷,可以捕捉信號多種頻率成分,能更好的可以反映信號的變化規(guī)律。利用此方法分析了Physionet數(shù)據(jù)庫中睡眠腦電信號,結(jié)果表明多尺度LZ復(fù)雜度方法捕捉到了不同睡眠分期腦電更豐富的信息,驗證了多尺度LZ復(fù)雜度方法要優(yōu)于單尺度LZ復(fù)雜度方法。其次,基于模糊熵比樣本熵更具穩(wěn)定性的特點,在多尺度分析的基礎(chǔ)上對多尺度樣本熵方法進行改進,設(shè)計了多尺度模糊熵方法。該方法集合了兩種方法的優(yōu)點,多尺度分析具有良好的時頻特性,同時可以減小運算數(shù)據(jù)量;模糊熵算法利用指數(shù)函數(shù)模糊化相似性,較樣本熵能更好的反映各期睡眠腦電復(fù)雜性變化。利用多尺度模糊熵方法分析了實際睡眠腦電信號,給出了實驗分析結(jié)果,驗證了多尺度模糊熵方法要優(yōu)于多尺度樣本熵方法。最后,利用兩種多尺度非線性分析方法提取腦電特征,并利用小波變換提取睡眠腦電的Delta、Beta節(jié)律功率特征,同時對眼電信號提取時域特征,用以上特征量作為睡眠分期的特征參數(shù),采用支持向量機作為分類器,并選用“一對一”多分類方法完成睡眠腦電的自動分期。結(jié)果證明,多尺度非線性分析方法用于睡眠分期得到了較好的分期性能。
【關(guān)鍵詞】：睡眠分期 多尺度LZ復(fù)雜度 多尺度模糊熵 支持向量機
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN911.7;R740
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 本課題研究的目的和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢11-13
• 1.3 本課題研究內(nèi)容及結(jié)構(gòu)安排13-15
• 第2章 睡眠分期的基礎(chǔ)知識15-29
• 2.1 腦電信號15-20
• 2.1.1 腦電信號的產(chǎn)生機理15-16
• 2.1.2 腦電信號特點及其特征波16-19
• 2.1.3 腦電信號的檢測19-20
• 2.2 睡眠分期方法20-23
• 2.2.1 睡眠分期的標(biāo)準(zhǔn)20-22
• 2.2.2 睡眠腦電22-23
• 2.3 睡眠腦電分析方法23-24
• 2.4 睡眠腦電分期方法24-25
• 2.5 眼電信號25-26
• 2.6 Physio Net數(shù)據(jù)庫26-28
• 2.7 本章小結(jié)28-29
• 第3章 睡眠腦電的多尺度非線性分析29-46
• 3.1 概述29
• 3.2 多尺度LZ復(fù)雜度29-36
• 3.2.1 LZ復(fù)雜度29-30
• 3.2.2 多尺度LZ復(fù)雜度30-31
• 3.2.3 仿真信號分析31-33
• 3.2.4 實際信號分析33-36
• 3.3 多尺度模糊熵36-44
• 3.3.1 樣本熵36-37
• 3.3.2 多尺度樣本熵37-39
• 3.3.3 模糊熵39-40
• 3.3.4 多尺度模糊熵40-43
• 3.3.5 實際信號分析43-44
• 3.4 本章小結(jié)44-46
• 第4章 基于SVM的自動睡眠分期46-63
• 4.1 概述46
• 4.2 特征提取46-51
• 4.2.1 基于小波變換的腦電頻率特征46-50
• 4.2.2 眼電信號相關(guān)特征50-51
• 4.3 基于SVM的自動睡眠分期51-56
• 4.3.1 支持向量機方法51-55
• 4.3.2 睡眠分期總述55-56
• 4.4 睡眠分期結(jié)果56-58
• 4.5 結(jié)果分析58-62
• 4.5.1 正常睡眠狀態(tài)人的結(jié)果分析58-59
• 4.5.2 輕微睡眠障礙人的結(jié)果分析59-62
• 4.6 本章小結(jié)62-63
• 結(jié)論63-65
• 參考文獻65-69
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果69-70
• 致謝70-71
• 作者簡介71

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 鄒曉陽;雷敏;;基于多尺度模糊熵的動作表面肌電信號模式識別[J];生物醫(yī)學(xué)工程學(xué)雜志;2012年06期

2 龔桂芳;馮成德;張慧;朱艷芳;;一種基于自適應(yīng)最小模糊熵的CT圖像分割方法[J];生物醫(yī)學(xué)工程學(xué)雜志;2008年02期

3 劉建成;董曉倩;陳亞珠;;基于廣義模糊熵模式分類器的HRV信號識別[J];中國生物醫(yī)學(xué)工程學(xué)報;2005年03期

4 趙冰心;胡維平;;基于熵和支持向量機的病態(tài)嗓音識別[J];中國生物醫(yī)學(xué)工程學(xué)報;2013年05期

5 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 齊思剛;;基于模糊熵的模糊數(shù)運算[A];模糊集理論與模糊應(yīng)用專輯——中國系統(tǒng)工程學(xué)會模糊數(shù)學(xué)與模糊系統(tǒng)委員會第十屆年會論文選集[C];2000年

2 胡應(yīng)平;;運用模糊熵構(gòu)建協(xié)調(diào)模型[A];模糊集理論與應(yīng)用——98年中國模糊數(shù)學(xué)與模糊系統(tǒng)委員會第九屆年會論文選集[C];1998年

3 魏華;王志強;張運杰;;基于模糊熵的備擇邊緣細化方法[A];全面建設(shè)小康社會：中國科技工作者的歷史責(zé)任——中國科協(xié)2003年學(xué)術(shù)年會論文集（上）[C];2003年

4 吳川;朱明;楊冬;;基于最大模糊熵原則的低對比度圖像閾值選取法[A];第十一屆全國信號處理學(xué)術(shù)年會（CCSP-2003）論文集[C];2003年

5 李筠;祝勇;;誤差分布類型的模糊熵判別方法[A];第七屆青年學(xué)術(shù)會議論文集[C];2005年

6 何春;陸俊;;基于模糊熵方向特征的圖像邊緣檢測方法[A];圖像圖形技術(shù)研究與應(yīng)用(2010)[C];2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 鄭宗琳;基于高速列車走行部監(jiān)測數(shù)據(jù)的EEMD特征分析[D];西南交通大學(xué);2015年

2 董國新;基于ELMD多尺度模糊熵和概率神經(jīng)網(wǎng)絡(luò)的暫態(tài)電能質(zhì)量識別[D];燕山大學(xué);2016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(xué);2016年

4 王旭堯;基于多元多尺度模糊熵的人體步態(tài)信號分類[D];燕山大學(xué);2016年

5 趙鳳;基于模糊熵理論的若干圖象分割方法研究[D];西安郵電學(xué)院;2007年

6 吳學(xué)謙;互模糊熵的改進及其在心衰檢測中的應(yīng)用[D];山東大學(xué);2014年

7 張麗波;基于三角模糊熵的信息安全風(fēng)險評估研究[D];黑龍江大學(xué);2013年

8 李世航;基于模糊熵的貸款組合決策模型[D];山東師范大學(xué);2014年

9 白禮虎;基于模糊互補判斷矩陣和直覺模糊熵的決策研究[D];安徽大學(xué);2013年

10 白雪;基于模糊優(yōu)化的模糊熵理論研究及應(yīng)用[D];哈爾濱理工大學(xué);2011年

，

本文編號：1122695