本文關(guān)鍵詞： 腦電信號(hào) 小波包 非線性動(dòng)力學(xué) 粒子群算法 最小二乘支持向量機(jī)　出處：《中國(guó)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(huì)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(lái)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(duì)于睡眠腦電的研究越來(lái)越受到人們的關(guān)注。本文對(duì)睡眠腦電信號(hào)的基本特征和基本波形進(jìn)行了介紹,由于不同的睡眠狀態(tài),其對(duì)應(yīng)的腦電信號(hào)均呈現(xiàn)不同的特點(diǎn),為接下來(lái)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(kù)來(lái)獲取本課題中所需要的睡眠腦電測(cè)試數(shù)據(jù)。本文主要從信號(hào)預(yù)處理、睡眠特征提取和特征參數(shù)分類三個(gè)方面實(shí)現(xiàn)算法設(shè)計(jì)。首先,由于腦電信號(hào)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(guò)實(shí)驗(yàn)對(duì)比了小波包去噪結(jié)果,逐步實(shí)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(yùn)用非線性動(dòng)力學(xué)對(duì)濾波后的睡眠腦電信號(hào)進(jìn)行特征分析,驗(yàn)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(lái)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(duì)不同的分類器的原理和算法進(jìn)行了分析對(duì)比的基礎(chǔ)上提出了使用粒子群算法對(duì)參數(shù)進(jìn)行優(yōu)化。通過(guò)對(duì)比人工神經(jīng)網(wǎng)絡(luò)、最小二乘向量機(jī)和經(jīng)過(guò)粒子群算法優(yōu)化后的最小二乘向量機(jī)的睡眠分期結(jié)果,驗(yàn)證了所提出的優(yōu)化算法的有效性。實(shí)驗(yàn)結(jié)果表明,通過(guò)本文設(shè)計(jì)的分期系統(tǒng),在對(duì)7*400組特征值進(jìn)行的識(shí)別實(shí)驗(yàn)中,清醒期識(shí)別正確的有338組,錯(cuò)誤的有31組,準(zhǔn)確率為91.60%;淺睡期識(shí)別正確的有411組,錯(cuò)誤的有47組,準(zhǔn)確率為89.74%;深睡期識(shí)別正確的有242組,錯(cuò)誤的有28組,準(zhǔn)確率為87.68%;快速眼動(dòng)期識(shí)別正確的有269組,錯(cuò)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(dá)到90.00%,由此證明了本課題中設(shè)計(jì)的自動(dòng)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(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R740;TN911.7

【相似文獻(xiàn)】

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(duì)腦電信號(hào)復(fù)雜度的影響[J];高原醫(yī)學(xué)雜志;2000年04期

2 薛蘊(yùn)全,王秋英,王宏;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[J];儀器儀表學(xué)報(bào);2001年S1期

3 馬穎穎;張涇周;吳疆;;腦電信號(hào)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(hào)的若干處理方法研究與評(píng)價(jià)[J];計(jì)算機(jī)仿真;2007年02期

5 魯強(qiáng);劉玉軍;徐建蘭;張進(jìn)祿;;一種適用于清醒動(dòng)物腦電信號(hào)采集的固定裝置[J];首都醫(yī)科大學(xué)學(xué)報(bào);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(hào)處理[J];電子設(shè)計(jì)工程;2012年24期

7 戴銀濤,吳祈耀;快速提取腦電信號(hào)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(yáng)楷;腦電信號(hào)的幾個(gè)非線性動(dòng)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(hào)的腦—計(jì)算機(jī)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(hào)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(huì)議論文 前10條

1 薛蘊(yùn)全;王秋英;王宏;;腦電信號(hào)的動(dòng)態(tài)時(shí)空響應(yīng)拓?fù)鋱D[A];中國(guó)儀器儀表學(xué)會(huì)第三屆青年學(xué)術(shù)會(huì)議論文集（上）[C];2001年

2 王裕清;粱平;郭付清;張登攀;;腦電信號(hào)診斷專家系統(tǒng)的研究[A];中國(guó)生理學(xué)會(huì)第21屆全國(guó)代表大會(huì)暨學(xué)術(shù)會(huì)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(hào)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(hào)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(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

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

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

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

8 葛家怡;周鵬;王明時(shí);;睡眠腦電信號(hào)樣本熵的研究[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

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

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

相關(guān)重要報(bào)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?qǐng)?bào);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(wèn)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(hào)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(dòng)力學(xué)分析[D];南京大學(xué);2017年

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

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

6 周群;腦電信號(hào)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(hào)的腦-機(jī)接口技術(shù)研究[D];天津大學(xué);2004年

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

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

10 繆曉波;基于腦電信號(hào)的認(rèn)知?jiǎng)恿W(xué)系統(tǒng)研究——線性/非線性方法及動(dòng)態(tài)時(shí)—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(hào)處理和睡眠分期研究[D];中國(guó)礦業(yè)大學(xué);2017年

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

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

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

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

6 曹銘;意識(shí)障礙患者腦電信號(hào)的非線性動(dòng)力學(xué)評(píng)價(jià)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(hào)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(hào)同步算法研究[D];燕山大學(xué);2015年

9 陳澤濤;基于腦電信號(hào)分析的AD早期評(píng)估系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];燕山大學(xué);2015年

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

，

本文編號(hào)：1514708