本文關(guān)鍵詞：基于EEG和EMG信息融合的自動睡眠分期系統(tǒng)，由筆耕文化傳播整理發(fā)布。

【摘要】：睡眠是人體一項重要的生理活動,它影響著人們生活的方方面面,與人體健康密切相關(guān)。正確合理的睡眠分期,無論是在睡眠質(zhì)量的評價方面,還是在睡眠相關(guān)疾病的早期診斷與治療方面都是非常重要的。因此對睡眠分期的研究意義十分重大。 睡眠分期中最大的難題是清醒(Wake, WA)期和快速眼動(Rapid Eye Movements, REM)期的區(qū)分,兩個時期的腦電圖(Electroencephalogram, EEG)的時域特征十分相近。通過實驗研究發(fā)現(xiàn),WA和REM期的肌電圖(Electromyogram, EMG)的時域特征有很大差別,如果能夠?qū)EG和EMG的不同特征進(jìn)行融合,得到在WA、非快速眼動期(Non-Rapid Eye Movements, NREM)和REM期具有明顯差異的融合信號就可以用于睡眠分期。因此,本文提出了一種基于EEG和EMG融合信號的自動睡眠分期系統(tǒng),以及兩種不同的分期方法——百分比法和幅值法。 本系統(tǒng)包括信號預(yù)處理、小波分解、特征提取、信息融合、小波重構(gòu)以及睡眠分期六大模塊。小波變換是為EEG和EMG的融合提供平臺；信息融合模塊中設(shè)置了三種不同的融合算子：鄰域方差融合、一階差分融合和相關(guān)系數(shù)融合算子；在最關(guān)鍵的睡眠分期模塊中,使用了百分比法和幅值法進(jìn)行分期,這兩種分期方法都是基于融合信號的功率譜圖。本系統(tǒng)經(jīng)訓(xùn)練建模后,使用6組同步的EEG和EMG數(shù)據(jù)進(jìn)行睡眠分期,百分比法得到的分期正確率為96.50%±1.21,計算效率為6.25ms±2.17,幅值法的分期正確率為98.20%±0.79,計算效率為2.51ms±0.004。另外的兩組對比實驗,使用單一EEG的CO復(fù)雜度、小波熵分別進(jìn)行睡眠分期,計算得到使用CO復(fù)雜度的分期正確率為86.25%,計算效率為2.499±0.100ms；使用小波熵的分期正確率為70%,計算效率為2.129±0.461ms。由此可見,本文提出的基于EEG和EMG信息融合的自動睡眠分期系統(tǒng)取得了較好的結(jié)果,證明了本系統(tǒng)是合理有效的。
【關(guān)鍵詞】：EEG EMG 信息融合 睡眠分期 小波變換
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：R318
【目錄】：

• 中文摘要3-4
• Abstract4-8
• 第一章 引言8-11
• 1.1 睡眠分期的研究背景及意義8
• 1.2 睡眠分期的國內(nèi)外研究現(xiàn)狀以及存在的問題8-9
• 1.3 本文的主要研究工作9
• 1.4 文章的組織結(jié)構(gòu)9-11
• 第二章 睡眠的分期生理基礎(chǔ)11-17
• 2.1 睡眠概述11-12
• 2.2 腦電與睡眠12-15
• 2.2.1 腦電信號12-13
• 2.2.2 腦電節(jié)律13-14
• 2.2.3 腦電與睡眠分期14-15
• 2.3 肌電與睡眠15-16
• 2.3.1 肌電信號15
• 2.3.2 肌電與睡眠分期15-16
• 2.4 本章小結(jié)16-17
• 第三章 腦電與肌電信息融合理論基礎(chǔ)17-22
• 3.1 信息融合基本理論17-18
• 3.1.1 信息融合的發(fā)展歷史17
• 3.1.2 信息融合的原理17-18
• 3.1.3 信息融合的方法及應(yīng)用18
• 3.2 小波變換基本理論18-21
• 3.2.1 小波變換的發(fā)展歷史18-19
• 3.2.2 小波變換的原理19-20
• 3.2.3 Mallat算法20-21
• 3.3 本章小結(jié)21-22
• 第四章 系統(tǒng)開發(fā)平臺——LabVIEW22-25
• 4.1 LabVIEW簡介22-23
• 4.2 LabVIEW與虛擬儀器技術(shù)23-24
• 4.2.1 虛擬儀器的概念23
• 4.2.2 虛擬儀器的特點23-24
• 4.3 本章小結(jié)24-25
• 第五章 自動睡眠分期系統(tǒng)建模25-37
• 5.1 系統(tǒng)總體框架設(shè)計25
• 5.2 預(yù)處理模塊25-26
• 5.2.1 濾波處理26
• 5.2.2 歸一化處理26
• 5.3 小波分解模塊26-27
• 5.4 特征提取模塊27-29
• 5.4.1 特征參數(shù)設(shè)置28-29
• 5.5 信息融合模塊29-31
• 5.5.1 鄰域方差融合29
• 5.5.2 一階差分融合29
• 5.5.3 相關(guān)系數(shù)融合29-30
• 5.5.4 融合算子設(shè)置30-31
• 5.6 小波重構(gòu)模塊31-32
• 5.7 睡眠分期模塊32-35
• 5.7.1 功率譜圖32
• 5.7.2 分期方法32-34
• 5.7.3 閾值參數(shù)設(shè)置34-35
• 5.8 系統(tǒng)運行界面35
• 5.9 本章小結(jié)35-37
• 第六章 系統(tǒng)改進(jìn)與結(jié)果分析37-47
• 6.1 百分比分期法的改進(jìn)37-38
• 6.2 自選頻帶功能38
• 6.3 分期結(jié)果與評價38-40
• 6.3.1 百分比與幅值法的分期結(jié)果38-39
• 6.3.2 正確率39-40
• 6.3.3 計算效率40
• 6.4 與其他方法的對比40-45
• 6.4.1 融合信號與原始EEG對比40-41
• 6.4.2 使用EEG的C0復(fù)雜度的分期41-43
• 6.4.3 使用EEG的小波熵的分期43-45
• 6.4.4 分期方法對比分析45
• 6.5 本章小結(jié)45-47
• 第七章 總結(jié)與展望47-49
• 7.1 主要研究工作和成果47
• 7.2 工作展望47-49
• 參考文獻(xiàn)49-53
• 在學(xué)期間的研究成果53-54
• 致謝54

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 董國亞,吳祈耀;應(yīng)用近似熵對睡眠腦電進(jìn)行分期的研究[J];北京生物醫(yī)學(xué)工程;1999年04期

2 龍勝春,翁劍楓,華蘊博;肌電信號的檢測與分析方法[J];國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊;1998年02期

3 劉朝陽,蔡自興;多傳感器信息融合技術(shù)在偵察系統(tǒng)中的應(yīng)用[J];廣西科學(xué)院學(xué)報;2004年04期

4 周宏仁;多目標(biāo)跟蹤技術(shù)綜述[J];航空學(xué)報;1986年01期

5 陳帥;管雪元;薛曉中;孫瑞勝;;彈載SINS/GPS組合導(dǎo)航信息同步與融合技術(shù)[J];火力與指揮控制;2009年10期

6 程Xh;郭雷;趙天云;許明;賀勝;;一種基于小波變換的多聚焦圖像融合方法[J];計算機工程與應(yīng)用;2012年01期

7 於時才;呂艷瓊;;一種基于小波變換的圖像融合新算法[J];計算機應(yīng)用研究;2009年01期

8 祝宇虹;張忠奎;李滿天;;一種基于腦電ZCR值的自動睡眠分期方法研究[J];機械與電子;2010年06期

9 孫書利;呂楠;白錦花;陳卓;;多傳感器時滯系統(tǒng)信息融合最優(yōu)Kalman濾波器[J];控制理論與應(yīng)用;2008年03期

10 周葉,戴冠中,王立新;線性離散時間系統(tǒng)分散估計的合成算法[J];控制與決策;1989年06期

  本文關(guān)鍵詞：基于EEG和EMG信息融合的自動睡眠分期系統(tǒng)，，由筆耕文化傳播整理發(fā)布。

本文編號：336355