基于腦電信號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，由睡眠問題引起的疾病越來越多，所以基于交叉學科的睡眠醫(yī)學研究，得到了醫(yī)學機構(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)場分析，由于客觀原因及人工主觀性誤判等，導致睡眠分期的準確較低。近年來，醫(yī)學專家和學者致力于依據(jù)信號處理理論和模式識別算法實現(xiàn)睡眠腦電信號(EEG)的自動分期研究，但國外進展較好，國內(nèi)相對滯后，利用睡眠EEG評估睡眠質(zhì)量的準確性需待進一步提高。

2、>　　論文首先分析了睡眠腦電信號的特點與分期標準，研究了基于腦電信號睡眠特征提取與分期方法，將MIT-BIH生理數(shù)據(jù)庫Sleep-EDF中8例受試者睡眠EEG監(jiān)測數(shù)據(jù)作為睡眠過程的分析對象，對腦電信號進行特征提取: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不同尺度下的熵值特征;然后使用主成分分析方法(PCA)對節(jié)律波的能量和不同尺度熵值兩種特征進行融合和降維，以簡化分類器的模型結(jié)構(gòu)和減少訓練時間。睡眠特征分期過程

3、采用分析睡眠期的模式識別方法，應用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Wake、SWS、LS、REM四個階段腦電信號特征進行分類，驗證自動睡眠分期系統(tǒng)的有效性。
　　實驗結(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頻和非線性特征;主成分分析法可以實現(xiàn)降低原始冗余特征的同時保留絕大多數(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EEG睡眠特征均表現(xiàn)