本文關鍵詞：基于BP神經網絡的SAS自動診斷模型設計

  更多相關文章： 睡眠呼吸暫停綜合征 BP神經網絡 自動診斷

【摘要】：睡眠呼吸暫停綜合征(Sleep Apnea Syndrome, SAS)被稱作“睡眠殺手”,是一種常見的睡眠類疾病。由于它的突發(fā)性以及引起諸多并發(fā)癥的特點,越來越受到人們的關注。目前,SAS最可靠的診斷方法是利用多導睡眠儀(Polysomnography, PSG)進行臨床診斷。然而,由于PSG診斷過程復雜、代價昂貴,難以得到推廣和使用。特別是在醫(yī)療水平欠發(fā)達的地區(qū),很多患者不能得到及時的診斷和治療。因此,設計一種可以替代PSG并且成本低廉、操作簡單的診斷方法具有重要的現(xiàn)實意義。本文所作工作如下：1、采用小波分解算法、小波閾值去噪算法,去除基線漂移、肌電干擾、工頻干擾；2、利用模極大值原理和利普西斯指數(shù)實現(xiàn)對心電信號中的R波波峰定位,并解決了R波誤檢和漏檢問題,提高了R波定位的準確率；3、以RR間期為基礎進行心率變異性(Heart Rate Variability, HRV)分析,得到時域、頻域共15組特征參數(shù)；利用Physionet Apnea-ECG數(shù)據(jù)庫的數(shù)據(jù)作為訓練和測試樣本,將提取的15組特征參數(shù)作為BP神經網絡模型輸入向量進行監(jiān)督式學習確定模型的權值和閾值；4、利用未知的35個樣本對所建立的BP神經網絡進行測試,分類識別準確率為85.7143%,基本滿足設計要求。
【關鍵詞】：睡眠呼吸暫停綜合征 BP神經網絡 自動診斷
【學位授予單位】：云南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R766;TP183
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-12
• 1.1 研究背景及意義7-8
• 1.2 SAS檢測手段8-9
• 1.3 國內外SAS檢測方法研究現(xiàn)狀9-10
• 1.4 論文的研究目的和內容安排10-12
• 第二章 睡眠呼吸暫停綜合癥與心電信號相關性基礎理論12-17
• 2.1 心電信號生理基礎12-14
• 2.1.1 心電信號產生機理12-13
• 2.1.2 典型的心電信號圖13-14
• 2.1.3 心電信號波形特征14
• 2.2 心率變異性生理意義14-15
• 2.2.1 心率變異性的定義14-15
• 2.2.2 心率變異性的臨床應用范圍15
• 2.3 HRV與SAS相關性15-16
• 2.4 PhysioNet Apnea-ECG信號數(shù)據(jù)庫簡介16-17
• 第三章 心電信號預處理及R波定位17-35
• 3.1 心電信號預處理17-23
• 3.1.1 心電信號噪聲來源分析17
• 3.1.2 心電信號去除基線漂移噪聲處理17-21
• 3.1.3 去除工頻干擾和肌電干擾21-23
• 3.2 小波變換算法介紹23-27
• 3.2.1 小波變換的定義23
• 3.2.2 Mallat算法簡介23-26
• 3.2.3 小波變換模極大值原理和Lipschtz指數(shù)26-27
• 3.3 基于小波變換QRS波群檢測27-34
• 3.3.1 R波波峰定位算法27-30
• 3.3.2 QRS波群起始點及終點提取30-31
• 3.3.3 數(shù)據(jù)處理及結果31-34
• 3.4 本章小結34-35
• 第四章 基于ECG信號SAS特征參數(shù)提取35-43
• 4.1 RR間期與HRV關系研究35-36
• 4.2 HRV分析方法36-41
• 4.3 SAS特征參數(shù)提取41-42
• 4.4 本章小結42-43
• 第五章 BP神經網絡的搭建和驗證43-59
• 5.1 人工神經網絡基礎43-51
• 5.1.1 人工神經網絡發(fā)展現(xiàn)狀43-44
• 5.1.2 人工神經網絡基礎知識44-48
• 5.1.3 BP神經網絡工作原理48-51
• 5.2 基于BP神經網絡SAS自動檢測模型的搭建51-55
• 5.2.1 BP神經網絡與心電信號應用研究51
• 5.2.2 BP神經網絡SAS自動檢測算法設計51-55
• 5.3 仿真實驗及結果分析55-58
• 5.4 本章小結58-59
• 第六章 總結與展望59-61
• 6.1 總結59-60
• 6.2 展望60-61
• 附錄61-64
• 參考文獻64-68
• 致謝68

，

本文編號：1008832