本文關(guān)鍵詞：睡眠腦電非線性動力學(xué)特性及SAS檢測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：睡眠是人類最重要的生理活動。隨著現(xiàn)代生活節(jié)奏的加快及生活方式的改變,各種睡眠障礙疾病的發(fā)生機(jī)率大大增加。睡眠呼吸暫停綜合征(SAS)是一種發(fā)病率很高的睡眠障礙疾病,不僅嚴(yán)重危害人類健康,是高血壓、心肌梗死等心腦血管疾病的的獨立危險因素,同時給家庭和社會帶來巨大隱患。由于基于多導(dǎo)睡眠圖(PSG)的傳統(tǒng)SAS檢測方法昂貴、復(fù)雜及給患者帶來不適,研究者們試圖通過對單一或少量生理信號利用信號處理方法提取SAS的特征,研究可以替代PSG的SAS檢測方法。腦電反映大腦組織的電活動及大腦的功能狀態(tài),是描述睡眠過程最直觀的參數(shù)。本研究擬采用非線性方法,對睡眠過程中腦電的非線性動力學(xué)特性進(jìn)行研究,并提取SAS患者的腦電非線性動力學(xué)指標(biāo),從而實現(xiàn)SAS患者的自動檢測。選擇6名SAS患者和6名健康志愿者(Normal)的睡眠腦電作為研究對象。首先對睡眠腦電的噪聲去除算法進(jìn)行了深入研究,利用小波閾值法和獨立分量分析(ICA)算法對睡眠腦電的心電偽跡進(jìn)行去除,與傳統(tǒng)偽跡減法相比,獨立分量分析算法信噪比明顯提高,而小波去噪法計算速度快,有效抑制了腦電中的白噪聲,能較好的保留原信號的特征尖峰點;論文基于互信息法理論完善,適于研究非線性序列,而Cao法所需數(shù)據(jù)量小,計算效率高等特點,采用互信息法確定延遲時間,Cao法計算嵌入維數(shù),對睡眠腦電進(jìn)行了相空間重構(gòu);并采用IAAFT替代數(shù)據(jù)法對其非線性進(jìn)行驗證,研究證實兩組的腦電信號均具有混沌性特性,適于用非線性方法進(jìn)行分析。本文從混沌的分形特性和序列復(fù)雜度特性的四個非線性參數(shù)對睡眠腦電進(jìn)行了研究:(1)利用關(guān)聯(lián)維研究睡眠腦電的分形特性。研究發(fā)現(xiàn),SAS組和Normal組睡眠腦電的關(guān)聯(lián)維從覺醒、淺睡到深睡階段,隨著睡眠加深,其關(guān)聯(lián)維均逐漸減小,但到REM快速眼動期時,關(guān)聯(lián)維又上升至覺醒和淺睡期的水平;同時SAS組的關(guān)聯(lián)維在四個睡眠階段均顯著低于Normal組(p0.01)。關(guān)聯(lián)維是描述混沌自由度的分形維參數(shù),表征系統(tǒng)的確定性和規(guī)律程度。關(guān)聯(lián)維的變化趨勢說明隨著睡眠加深,大腦細(xì)胞活躍程度逐漸下降,活動自由度減少;而關(guān)聯(lián)維在兩組間的顯著差異表明:SAS患者呼吸暫停等病理狀況對大腦神經(jīng)活動存在顯著影響。(2)利用去趨勢波動分析(DFA)對兩組被試的睡眠腦電進(jìn)行冪律相關(guān)性研究,DFA是研究時間空間序列中長范圍相關(guān)性的有效方法。結(jié)果顯示標(biāo)度指數(shù)隨睡眠加深而逐漸增大,在REM階段,標(biāo)度指數(shù)又下降;同時SAS患者的標(biāo)度指數(shù)在各睡眠階段均顯著高于Normal組(p0.01),提示SAS患者受病理影響,其腦電相對于健康人具有更強(qiáng)的自相似性規(guī)律,振蕩模式更為平滑。(3)利用樣本熵(SampEn)和Lempel-Ziv復(fù)雜度分別從熵特性和符號動力學(xué)角度刻畫睡眠腦電的復(fù)雜度。兩指標(biāo)在SAS組和Normal組的睡眠過程中表現(xiàn)出一致且與生理過程密切吻合的變化規(guī)律:隨著睡眠加深,腦電復(fù)雜度逐漸下降至最低,而在REM階段,復(fù)雜度又上升;同時,SAS組和Normal組的SampEn和LZ復(fù)雜度在各睡眠階段均存在顯著差異(p0.01),且SAS組各階段均顯著低于Normal組,提示睡眠呼吸暫停所引起的腦部缺氧或其他病理狀況對大腦神經(jīng)活動有顯著影響,引起大腦細(xì)胞的活躍度顯著降低,復(fù)雜度下降。根據(jù)上述研究,本文得到SAS組和Normal組睡眠腦電信號的非線性特性存在顯著差異的創(chuàng)新結(jié)論,證實睡眠呼吸暫停綜合征的病理特性對大腦神經(jīng)功能和活動狀態(tài)存在顯著影響。在此基礎(chǔ)上,本文創(chuàng)造性地提出了基于睡眠腦電非線性特性的SAS檢測方法,并采用支持向量機(jī)(SVM)算法,利用這四個特征參數(shù)對SAS患者進(jìn)行分類實踐。SVM算法適于小樣本學(xué)習(xí),且泛化能力強(qiáng)。結(jié)果顯示,四個參數(shù)對SAS均有一定的辨識能力,尤其是DFA標(biāo)度指數(shù),準(zhǔn)確率非常穩(wěn)定且平均高達(dá)97.2%;LZ復(fù)雜度和SampEn的準(zhǔn)確率分別為83.8%和82.5%,且LZ復(fù)雜度敏感度達(dá)92.3%;當(dāng)進(jìn)行聯(lián)合判斷時,DFA標(biāo)度指數(shù)和LZ復(fù)雜度聯(lián)合判斷的準(zhǔn)確率最高,平均達(dá)87.5%,特異性達(dá)96.5%。研究證明,睡眠腦電的非線性動力學(xué)參數(shù)能很好表征SAS,為SAS研究提供了新的方向。
【關(guān)鍵詞】：睡眠呼吸暫停綜合征(SAS) 腦電(EEG) 非線性 支持向量機(jī)(SVM)
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：R766;R741.044
【目錄】：

• 摘要5-7
• Abstract7-13
• 第一章 緒論13-31
• 1.1 研究背景及意義13-14
• 1.2 睡眠呼吸暫停綜合征14-19
• 1.2.1 相關(guān)術(shù)語14-16
• 1.2.2 睡眠呼吸暫停綜合征發(fā)病機(jī)制16-18
• 1.2.3 睡眠呼吸暫停綜合征的危害18-19
• 1.3 國內(nèi)外研究現(xiàn)狀19-28
• 1.3.1 睡眠呼吸暫停綜合征檢測金標(biāo)準(zhǔn)20-22
• 1.3.2 睡眠呼吸暫停綜合征研究新方法22-25
• 1.3.3 睡眠腦電分析方法25-28
• 1.4 主要研究內(nèi)容28-29
• 1.5 數(shù)據(jù)來源29-30
• 1.6 論文結(jié)構(gòu)安排30-31
• 第二章 睡眠腦電噪聲去除算法研究31-51
• 2.1 腦電31-32
• 2.2 腦電與睡眠32-36
• 2.2.1 睡眠腦電節(jié)律33-34
• 2.2.2 腦電與睡眠時相34-36
• 2.3 腦電噪聲來源36-40
• 2.3.1 外界噪聲36-37
• 2.3.2 生理偽跡37-40
• 2.4 腦電噪聲去除算法40-48
• 2.4.1 偽跡減法40-41
• 2.4.2 回歸法41-42
• 2.4.3 主成分分析42-43
• 2.4.4 獨立分量分析43-44
• 2.4.5 小波分析44-48
• 2.5 睡眠腦電偽跡去除48-50
• 2.6 本章小結(jié)50-51
• 第三章 睡眠腦電的非線性檢驗51-71
• 3.1 非線性理論51-54
• 3.2 睡眠腦電相空間重構(gòu)54-60
• 3.2.1 延遲時間56-58
• 3.2.2 嵌入維數(shù)58-60
• 3.3 非線性檢驗60-69
• 3.3.1 替代數(shù)據(jù)法61-68
• 3.3.2 鑒別統(tǒng)計量68
• 3.3.3 睡眠腦電非線性檢驗68-69
• 3.4 本章小結(jié)69-71
• 第四章 睡眠腦電非線性動力學(xué)特性分析71-98
• 4.1 實驗數(shù)據(jù)71-72
• 4.2 分形特性72-87
• 4.2.1 睡眠腦電的分形維特性73-80
• 4.2.2 基于去趨勢波動分析的睡眠腦電研究80-87
• 4.3 復(fù)雜度特性87-97
• 4.3.1 睡眠腦電熵特性87-93
• 4.3.2 睡眠腦電的Lempel-Ziv復(fù)雜度研究93-97
• 4.4 本章小結(jié)97-98
• 第五章 睡眠呼吸暫停綜合征自動檢測98-110
• 5.1 模式識別理論98-99
• 5.2 支持向量機(jī)99-104
• 5.2.1 線性可分和線性不可分100-102
• 5.2.2 非線性102-103
• 5.2.3 核函數(shù)103-104
• 5.3 睡眠呼吸暫停綜合征自動判別104-109
• 5.3.1 特征量104-105
• 5.3.2 算法設(shè)計105-107
• 5.3.3 實驗結(jié)果與評價107-109
• 5.4 本章小結(jié)109-110
• 第六章 總結(jié)與展望110-112
• 6.1 論文總結(jié)110-111
• 6.2 工作展望111-112
• 參考文獻(xiàn)112-131
• 攻讀博士/碩士學(xué)位期間取得的研究成果131-132
• 致謝132-133
• 附件133

【參考文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉躍雷;一種新的人睡眠EEG自動分期方法研究[D];蘭州大學(xué);2010年

  本文關(guān)鍵詞：睡眠腦電非線性動力學(xué)特性及SAS檢測研究，，由筆耕文化傳播整理發(fā)布。

本文編號：408367