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

【摘要】：隨著當(dāng)前社會生活節(jié)奏的加快,社會生活各方面的壓力越來越大,與睡眠相關(guān)的疾病對人們生活的影響也越來越大。其中失眠是最常見的影響人們生活的睡眠障礙類疾病。腦電信號(EEG)是目前進行睡眠障礙疾病治療診斷的重要依據(jù)。腦電信號是大腦神經(jīng)細胞群的電生理活動的主要反映,當(dāng)人們進入深入睡眠時,大腦神經(jīng)細胞群減緩活動,同時腦電信號也會反映這種變化。由于腦電信號非平穩(wěn)性、隨機性、非線性、低信噪比的特性,因而進行有效的睡眠分期一直是研究的難點,傳統(tǒng)的人工識別睡眠分期的效率低、耗時費力,因此睡眠腦電自動分期對于改善睡眠質(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)的腦電信號自動分期方法。實驗數(shù)據(jù)來源于MIT-BIH中Sleep-EDF數(shù)據(jù)庫的8個正常受試者睡眠腦電信號。本文從信號預(yù)處理、腦電特征提取、特征參數(shù)分類三個方面實現(xiàn)睡眠腦電自動分期系統(tǒng)的設(shè)計。本文的主要工作內(nèi)容如下：1.利用小波變換的方法對睡眠腦電原始信號進行預(yù)處理,利用小波包的方法,提取腦電波信號基本節(jié)律波α波,θ波,δ波,β波并分別計算α波,θ波,δ波,β波特征波的相對能量(Ei/Eall),睡眠腦電信號的總能量值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提取腦電信號的樣本熵特征,針對樣本熵算法必須含有模板匹配的缺點,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睡眠各階段進行分析,最后用模糊熵的方法提取睡眠腦電模糊熵特征。3.在提取信號特征的基礎(chǔ)上利用支持向量機對睡眠腦電信號進行自動分期,驗證分類器的泛化能力。利用能量特征值、樣本熵特征值、模糊熵特征值的對腦電信號進行分期并對實驗結(jié)果進行分析。根據(jù)腦電信號特點并結(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)合的睡眠腦電自動分期方法并驗證該方法的分類效果。本文的主要創(chuàng)新之處下：1.基于樣本熵算法必須含有模板匹配的缺點,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睡眠各階段進行分析,驗證模糊熵值在睡眠各階段的變化趨勢。2.鑒于腦電信號的特點,能量特征以及熵值的特點,本文提出的能量特征、樣本熵特征、模糊熵特征相結(jié)合的方式進行睡眠腦電自動分期。實驗結(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的睡眠特征。在利用睡眠特征進行睡眠分期時發(fā)現(xiàn)小波包提取的能量特征的識別正確率較低,樣本熵特征識別正確率相對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)合的方式進行睡眠腦電自動分期,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
【學(xué)位授予單位】：廣東工業(yè)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 課題來源及研究內(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 腦電信號特征提取方法22-23
• 2.2.1 頻域和時域分析的分析方法22-23
• 2.2.2 時頻域分析方法23
• 2.2.3 非線性動力學(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24
• 2.4 腦電信號數(shù)據(jù)來源24-25
• 2.5 睡眠腦電自動分期系統(tǒng)25-26
• 2.6 本章小結(jié)26-27
• 第三章 腦電信號的預(yù)處理與特征提取27-37
• 3.1 腦電信號的預(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 能量特征提取實驗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睡眠腦電自動分期研究54-65
• 5.1 支持向量機的理論基礎(chǔ)54-55
• 5.1.1 VC維理論54-55
• 5.1.2 結(jié)構(gòu)風(fēng)險最小化原則55
• 5.2 支持向量機的算法描述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支持向量機分類器實驗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】

中國期刊全文數(shù)據(jù)庫 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];中國健康心理學(xué)雜志;2010年02期

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

4 和衛(wèi)星;陳曉平;邵s，

本文編號：358903