本文關(guān)鍵詞：基于腦電心電數(shù)據(jù)融合的睡眠分期，由筆耕文化傳播整理發(fā)布。

【摘要】： 心腦血管疾病的增多、人口老齡化問題的突出,使得睡眠質(zhì)量評估和睡眠類疾病診斷成為21世紀(jì)挑戰(zhàn)性的研究。提高早期診斷水平并及時予以控制和治療是降低心腦血管疾病對人類危害的有效途徑。 本文首先簡要介紹了睡眠分期標(biāo)準(zhǔn)及國內(nèi)外睡眠分期的研究現(xiàn)狀,闡述了腦電信號和心電信號的形成機(jī)理和生理特點(diǎn);在此基礎(chǔ)上,重點(diǎn)分析和研究了基于小數(shù)據(jù)量算法的最大Lyapunov指數(shù)方法以及衡量時間序列復(fù)雜度的近似熵方法在腦電特征提取中的應(yīng)用,比較了兩者在表征睡眠狀態(tài)方面的特點(diǎn);同時利用樣本熵和去趨勢波動分析方法研究了心率變異性信號的非線性特性;論文最后引入基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)(SVM)方法對所得特征量進(jìn)行分類識別。 用Matlab軟件編寫程序進(jìn)行研究,結(jié)果表明近似熵方法較最大Lyapunov指數(shù)方法更能有效獲取腦電信號的睡眠信息;用非線性方法分析心率變異性信號提取的睡眠信息較少,說明單純依靠心率變異性信號不能夠很好地反映睡眠狀態(tài);用支持向量機(jī)分析腦電信號和心電信號的特征參數(shù),能夠較好地將覺醒期與其它睡眠狀態(tài)區(qū)分,但是對于睡眠狀態(tài)NREM期和REM期的識別率不高。
【關(guān)鍵詞】：腦電信號 心率變異性信號 最大Lyapunov指數(shù) 近似熵 樣本熵 去趨勢波動分析 支持向量機(jī) 睡眠分期
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2008
【分類號】：R318
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-14
• 1.1 睡眠分期研究概述9-10
• 1.2 睡眠腦電研究現(xiàn)狀10-12
• 1.2.1 人工神經(jīng)網(wǎng)絡(luò)11
• 1.2.2 小波分析11
• 1.2.3 混沌和分形11-12
• 1.3 選題的意義12-13
• 1.4 本文的研究內(nèi)容13-14
• 第二章 睡眠的生理基礎(chǔ)14-23
• 2.1 睡眠的發(fā)生與調(diào)控14-16
• 2.2 腦電與睡眠16-20
• 2.2.1 腦電圖16-17
• 2.2.2 腦電節(jié)律17-18
• 2.2.3 腦電信號的特點(diǎn)及其對信號處理的要求18-19
• 2.2.4 腦電信號與睡眠分期19-20
• 2.3 心電與睡眠20-22
• 2.3.1 心電信號的產(chǎn)生機(jī)理20-21
• 2.3.2 心電信號與睡眠分期21-22
• 2.4 本章小結(jié)22-23
• 第三章 睡眠腦電的非線性分析23-40
• 3.1 睡眠腦電的最大Lyapunov指數(shù)分期研究24-33
• 3.1.1 最大Lyapunov指數(shù)定義及算法24-26
• 3.1.2 腦電信號的最大Lyapunov指數(shù)參數(shù)選取26-29
• 3.1.3 最大Lyapunov指數(shù)分期試驗(yàn)結(jié)果與分析29-33
• 3.2 睡眠腦電的近似熵分期研究33-38
• 3.2.1 近似熵定義及算法33-35
• 3.2.2 腦電信號的近似熵參數(shù)選取35-36
• 3.2.3 近似熵分期試驗(yàn)結(jié)果與分析36-38
• 3.3 睡眠腦電的最大Lyapunov指數(shù)與近似熵分期比較38-39
• 3.4 本章小結(jié)39-40
• 第四章 基于心電信號的睡眠分期研究40-51
• 4.1 心率變異性信號的生成40-43
• 4.1.1 數(shù)據(jù)段的選擇41-42
• 4.1.2 R-R間期序列的均勻化42-43
• 4.2 心率變異性信號的樣本熵分析43-46
• 4.2.1 樣本熵定義及算法43-44
• 4.2.2 睡眠心率變異性信號的樣本熵試驗(yàn)結(jié)果與分析44-46
• 4.3 心率變異性信號的去趨勢波動分析46-50
• 4.3.1 去趨勢波動分析定義及算法46-48
• 4.3.2 睡眠心率變異性信號的去趨勢波動分析試驗(yàn)與結(jié)果48-50
• 4.4 本章小結(jié)50-51
• 第五章 運(yùn)用支持向量機(jī)對睡眠分期進(jìn)行模式識別51-60
• 5.1 支持向量機(jī)的理論基礎(chǔ)51-55
• 5.1.1 支持向量機(jī)概述51
• 5.1.2 最優(yōu)分類面51-54
• 5.1.3 支持向量機(jī)多值分類算法54-55
• 5.2 睡眠分期的支持向量機(jī)識別結(jié)果55-59
• 5.2.1 支持向量機(jī)模式識別的構(gòu)建55-56
• 5.2.2 睡眠分期的支持向量機(jī)模式識別試驗(yàn)結(jié)果與分析56-59
• 5.3 本章小結(jié)59-60
• 第六章 總結(jié)與展望60-62
• 參考文獻(xiàn)62-66
• 致謝66-67
• 攻讀碩士期間發(fā)表論文67

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前6條

1 賈花萍;李堯龍;哈渭濤;史曉影;;K-means聚類神經(jīng)網(wǎng)絡(luò)分類器在睡眠腦電分期中的應(yīng)用研究[J];河南科學(xué);2012年06期

2 賈花萍;;基于神經(jīng)網(wǎng)絡(luò)集成的睡眠腦電分期研究[J];計算技術(shù)與自動化;2012年02期

3 閆林;;基于腦電的運(yùn)動員午睡睡眠分期研究[J];南京體育學(xué)院學(xué)報(自然科學(xué)版);2013年02期

4 王歆媛;汪豐;;基于EEG復(fù)雜度和近似熵的睡眠自動分期[J];軟件;2013年02期

5 周越;閆林;王德剛;何文革;周君一;陳琳;;不同時長午睡對運(yùn)動員機(jī)能的影響[J];中國體育科技;2011年02期

6 王春方;張力新;劉爽;孫長城;王勇軍;趙欣;綦宏志;周鵬;萬柏坤;杜金剛;明東;;基于去趨勢波動分析(DFA)的腦卒中后抑郁癥靜息腦電特征提取與識別[J];中國生物醫(yī)學(xué)工程學(xué)報;2013年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 鄭瑩瑩;基于橈動脈波形分析的動脈硬化評估指標(biāo)研究[D];中國科學(xué)技術(shù)大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 閆林;午睡對運(yùn)動員身體機(jī)能影響的研究[D];北京體育大學(xué);2011年

2 井曉茹;基于符號轉(zhuǎn)移熵和平均能量耗散的睡眠分期分析[D];南京郵電大學(xué);2012年

3 李玲;睡眠腦電的分析處理和睡眠分期研究[D];北京交通大學(xué);2010年

  本文關(guān)鍵詞：基于腦電心電數(shù)據(jù)融合的睡眠分期，，由筆耕文化傳播整理發(fā)布。

本文編號：325395