基于腦電信號(hào)睡眠特征提取與分期方法的研究.pdf

1、隨著現(xiàn)代生活節(jié)奏的逐步加快，人們的生活壓力不斷加大，由睡眠問(wèn)題引起的疾病越來(lái)越多，所以基于交叉學(xué)科的睡眠醫(yī)學(xué)研究，得到了醫(yī)學(xué)機(jī)構(gòu)以及高校的廣泛關(guān)注。目前，在睡眠臨床研究中，主要依靠專家親臨現(xiàn)場(chǎng)分析，由于客觀原因及人工主觀性誤判等，導(dǎo)致睡眠分期的準(zhǔn)確較低。近年來(lái)，醫(yī)學(xué)專家和學(xué)者致力于依據(jù)信號(hào)處理理論和模式識(shí)別算法實(shí)現(xiàn)睡眠腦電信號(hào)(EEG)的自動(dòng)分期研究，但國(guó)外進(jìn)展較好，國(guó)內(nèi)相對(duì)滯后，利用睡眠EEG評(píng)估睡眠質(zhì)量的準(zhǔn)確性需待進(jìn)一步提高。

2、>　　論文首先分析了睡眠腦電信號(hào)的特點(diǎn)與分期標(biāo)準(zhǔn)，研究了基于腦電信號(hào)睡眠特征提取與分期方法，將MIT-BIH生理數(shù)據(jù)庫(kù)Sleep-EDF中8例受試者睡眠EEG監(jiān)測(cè)數(shù)據(jù)作為睡眠過(guò)程的分析對(duì)象，對(duì)腦電信號(hào)進(jìn)行特征提取:利用小波變換算法提取節(jié)律波的能量特征;利用多尺度熵算法提取腦電信號(hào)不同尺度下的熵值特征;然后使用主成分分析方法(PCA)對(duì)節(jié)律波的能量和不同尺度熵值兩種特征進(jìn)行融合和降維，以簡(jiǎn)化分類器的模型結(jié)構(gòu)和減少訓(xùn)練時(shí)間。睡眠特征分期過(guò)程

3、采用分析睡眠期的模式識(shí)別方法，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和SVM分類器建立睡眠特征的分期模型，并對(duì)Wake、SWS、LS、REM四個(gè)階段腦電信號(hào)特征進(jìn)行分類，驗(yàn)證自動(dòng)睡眠分期系統(tǒng)的有效性。
　　實(shí)驗(yàn)結(jié)果表明，本文提出的小波能量與多尺度熵值作為睡眠階段的融合特征，能有效的反映睡眠期的時(shí)頻和非線性特征;主成分分析法可以實(shí)現(xiàn)降低原始冗余特征的同時(shí)保留絕大多數(shù)EEG的睡眠特征;BP神經(jīng)網(wǎng)絡(luò)和SVM分類器作為睡眠階段的分期模型，對(duì)EEG睡眠特征均表現(xiàn)