当前位置:主页 > 医学论文 > 生物医学论文 >

基于脑机接口的睡眠分期算法及应用

发布时间:2020-03-31 14:14
【摘要】:面对与日俱增的生活工作压力,越来越多的人被迫加入到快节奏的生活方式中来。与之相伴而来的,是更多的人受到了睡眠障碍疾病的困扰,个体睡眠质量急剧下降。在这样的时代背景下,进行睡眠活动相关研究,改善睡眠质量,具有重要的意义。睡眠分期是睡眠活动研究领域的重点内容。通过睡眠分期,个体的睡眠活动进程变得一目了然。深睡时长,睡眠总时间以及睡眠效率等睡眠质量评估指标的计算也变得简单。睡眠分期是睡眠质量评估的有利辅助。当下,基于脑电信号的睡眠分期成为了睡眠分期研究的主流趋势。而在脑电信号应用领域,脑机接口(Brain-computer Interface,BCI)技术是典型代表。因此本文创新式地将脑机接口技术同睡眠分期相结合,以基于脑机接口的睡眠分期算法及应用作为研究课题,并进行了相关的研究性工作。(1)基于频域分析和统计计算,本文提出了一种自动睡眠分期算法。首先借助傅里叶变换提取信号的频谱特征,边缘频率。再提取信号的均值,标准差等统计特征,共同构成特征向量。运用交叉验证,在公开数据集上对算法分类性能进行测试,平均准确率为85%,Kappa系数为0.83。实验结果证明了算法的分类性能较为理想。(2)设计离线睡眠分期实验。依照AASM进行睡眠脑电信号和眼电信号记录。其中,眼电信号用于专家进行睡眠标签时的辅助,脑电信号用于后续分析处理。应用本文提出的自动睡眠分期算法提取特征,交叉验证得到分类结果,平均准确率达到77%,Kappa系数为0.70。进一步检验了算法的泛化性能。(3)设计在线睡眠分期实验。运用脑机接口技术实时采集实验对象的睡眠脑电信号,利用预先训练好的分类模型,对睡眠时期进行实时预测。结合专家给出的测试数据集的正确标签,构造混淆矩阵,计算在线分类准确率。在线准确率为77%,Kappa系数为0.68。检验了实时睡眠分期系统的性能。
【图文】:

示意图,示意图,时间长度,时长


Wave邋Sleep,邋SWS)0逡逑上述两种标准在评定睡眠时期时,通常以30秒时长作为一个睡眠片段(epoch),逡逑本文后续的睡眠样本时间长度也遵照30秒。两种标准对应的睡眠分期结构图如图1-2逡逑6逡逑

示意图,阶段划分,标签,类别


是本文研宄内容的出发点。逡逑脑电信号采集灥 特征提取与选择一)分榐别4结果输出逡逑图1-1自动睡眠分期研究流程示意图逡逑1.3睡眠分期逡逑睡眠分期研宄所做的就是将整晚的睡眠过程划分为几个特定的阶段,得到睡眠阶段逡逑分布。这样做的意义在于,通过分期,可以计算出不同阶段的总时长和所占比例。通过逡逑与正常情况下的睡眠阶段分布相对比,即可大致了解对象的睡眠变化情况,为制定相应逡逑的治疗方案提供理论依据。逡逑1.3.1睡眠分期标准逡逑为完成睡眠分期,,要先确定遵循的分期标准。目前典型的睡眠分期标准有两个,一逡逑个是《人类睡眠阶段标准化术语,技术及划分系统手册》,由RechtschalTen和Kales提逡逑出并制定,故简称R&K标准[15]。另一个是由美国睡眠医学会针对R&K标准提出的修逡逑正版本,简称AASM标准。现分别对两个标准作以介绍:逡逑(1)逦R&K标准:将睡眠过程划分为三个阶段:清醒期(WakefijlneSS
【学位授予单位】:华南理工大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:TN911.7;R318

【参考文献】

相关期刊论文 前7条

1 张宇波;蔺小楠;;改进序列前向选择法(ISFS)和极限学习机(ELM)相结合的SPC控制图模式识别方法[J];青岛科技大学学报(自然科学版);2015年03期

2 邵婷婷;白宗文;周美丽;;基于离散小波变换的信号分解与重构[J];计算机技术与发展;2014年11期

3 李文;刘霞;段玉波;姚建红;刘继承;潘洪屏;;基于小波熵与相关性相结合的小波模极大值地震信号去噪[J];地震学报;2012年06期

4 吕学玉;刘艳骄;汪卫东;靖猛;林颖娜;王芳;;抑郁症患者快动眼睡眠特征及其与抑郁水平的相关性[J];中华行为医学与脑科学杂志;2011年05期

5 俞梦孙;杨军;张宏金;;微动敏感床垫睡眠检测系统的理论和实践[J];中华航空航天医学杂志;2009年04期

6 王逸林;梅继丹;蔡平;;水声矢量信号的希尔伯特黄变换仿真研究[J];系统仿真学报;2008年15期

7 欧阳森,宋政湘,王建华,陈德桂,耿英三;基于信号相关性和小波方法的电能质量去噪算法[J];电工技术学报;2003年03期

相关博士学位论文 前2条

1 余天佑;多模态与多自由度脑机接口研究[D];华南理工大学;2013年

2 罗光坤;Morlet小波变换理论与应用研究及软件实现[D];南京航空航天大学;2007年

相关硕士学位论文 前8条

1 高群霞;基于EEG的睡眠分期与睡眠评估方法研究[D];华南理工大学;2015年

2 郑声涛;睡眠脑电的分析与应用研究[D];广东工业大学;2014年

3 江丽仪;睡眠过程心率变异性分析及睡眠呼吸暂停综合征的判别研究[D];华南理工大学;2011年

4 刘跃雷;一种新的人睡眠EEG自动分期方法研究[D];兰州大学;2010年

5 安怀志;希尔伯特黄变换理论和应用的研究[D];哈尔滨工程大学;2008年

6 蔡琼;基于小波变换的EEG分析[D];长沙理工大学;2007年

7 肖余粮;睡眠脑电的特性分析和睡眠分期研究[D];江苏大学;2006年

8 钟凌惠;EEG的特征分析及睡眠分期研究[D];山东大学;2005年



本文编号:2609182

论文下载
论文发表

本文链接:http://www.bigengculture.com/yixuelunwen/swyx/2609182.html

分享