基于電生理腦網絡的大鼠睡眠分期研究.pdf

1、睡眠類疾病會嚴重地影響睡眠質量，并給人類的身心健康造成了很大的危害。睡眠分期是診斷睡眠類疾病的基礎，傳統(tǒng)的睡眠分期以睡眠專家的主觀評估為主，效率低且具有一定的誤判率，因此發(fā)展客觀高效的自動睡眠分期算法十分必要。基于腦電(electroencephalogram, EEG)信號的自動睡眠分期是該領域的研究熱點，相關算法旨在利用從EEG信號獲取的直接特征對睡眠進行有效分期。近期研究揭示，嚙齒類動物的大腦存在與人類和非人類靈長類相似的默認模式

2、網絡(default mode network, DMN)。人們發(fā)現(xiàn)不同睡眠階段的DMN可能發(fā)生了特異性改變，表明DMN特征可以作為睡眠分期算法的潛在特征。在本論文中，我們通過記錄大鼠在不同睡眠階段的DMN腦電信號，分析了大鼠的DMN在不同睡眠階段的變化，并進一步從大鼠的 DMN中提取特征，結合支持向量機(support vector machine, SVM)構建多分類器開展對睡眠分期的研究，我們主要完成的內容和研究成果如下：

3、　　1.通過計算相位鎖時值構建功能連接矩陣來分析不同睡眠階段大鼠 DMN網絡的變化。我們發(fā)現(xiàn)theta頻段的DMN網絡拓撲結構在整個睡眠周期過程中有顯著性變化。進一步，我們分析了對應功能網絡的網絡屬性，發(fā)現(xiàn)theta頻段的網絡屬性在睡眠的不同階段也具有顯著性差異。
　　2.接下來，我們使用了三種不同的分類特征對大鼠進行睡眠分期。發(fā)現(xiàn)以網絡屬性作為分類的特征時，其分類的準確率最低，且分類的性能最差，而基于共空間模式分別提取原始信號和

4、加權網絡的空間信息作為分類特征的效果較好。進一步，我們比較基于共空間模式的兩種提取特征方法得到的分類結果，發(fā)現(xiàn)基于加權網絡提取特征的共空間模式方法得到的分類結果是較優(yōu)的。特別是，在特征數(shù)目較少時，基于加權網絡提取特征的共空間模式方法得到的分類結果效果更明顯。
　　綜上所述，基于加權網絡的共空間模式的特征提取方法能夠實現(xiàn)對大鼠睡眠的自動分期，且分類的性能較好。這一方法不僅有利于減輕人工識別睡眠分期的工作量，而且為睡眠分期研究提供了一