上海大学毕业设计(论文)开题22报告-杨科 .doc

毕业设计（论文）开题报告 学 院 通信与信息工程 专 业 生物医学工程 学 号 姓 名 杨科 指导教师 施俊 日 期 二○一五年一月十九日 课题名称 基于半监督极限学习机的睡眠状态分类课题来源科研一、课题背景及意义睡眠是一种重要的生理现象，正常睡眠对机体的生长发育、消除疲劳、恢复精力、提高机体免疫力和健康水平有着重要意义。了解睡眠的特点和机理对改善睡眠质量、诊治睡眠疾患有重要的意义。在睡眠过程中，一般会分成几个阶段，而患有呼吸暂停综合症、睡眠障碍等疾病的患者，其睡眠过程中的阶段分期也会有所不同。研究睡眠分期对睡眠疾病的检测、预防和治疗有重要的临床意义。目前，用于监护和分析睡眠分期的生理信号包括脑电信号、肌电信号、心电信号等。 但是，睡眠监护和分期的人工判读方法存在效率低，缺乏一致性的客观标准的缺点。因此，采用计算机技术,信号处理技术等,改进传统低效率且缺乏一致性客观标准的睡眠分期方法,研制出高性能的睡眠自动分期系统,进一步提高对睡眠质量进行自动判断的准确度和客观性成为科研人员的研究方向。基于机器学习的计算机辅助分期吸引了众多科研人员的兴趣。通过对生理信号进行特征提取和模式分类，有效实现了睡眠阶段的分期。 在有监督的机器学习中，已经标记过的睡眠数据样本太少一直是研究的难点。在临床应用中，完全依靠医生对长时间的睡眠数据进行标记和分析，非常耗时耗力，而且容易产生误诊、漏诊。因此，实际应用于计算机辅助的睡眠分析研究中，已经标记过的数据是非常有限的小样本，这就影像了计算机辅助的睡眠分期的准确率。然后，在临床数据中，获取尚未确诊或者医生并未标记过的数据往往较为容易，这些未标记的数据，实际上能扩展训练的样本集合，并且能提供有用的信息，帮助提高机器学习的性能，把未标记样本和标记样本同时作为训练样本进行训练，在标记样本资源较少的情况下，充分利用无标样本来提高学习效率，这就是半监督的学习方法。目前，由于半监督学习同时用少量标注样本和大量未标记样本进行训练，在不造成过高成本消耗的前提下，可以得到比较高的学习精度，达到令人满意的分类效果，半监督学习在医学领域获得了广泛的关注，成为研究的热点。 极限学习机是一种新的机器学习分类算法，2004年由南洋理工大学黄广斌副教授提出。其具有分类精度高、速度快且泛化性能好的特点，在生理信号分类中获得非常优异的效果，特别适合大数据集的分类。目前的极限学习机以有监督的训练为主，而半监督极限学习机的研究也已经初步开展。与其他机器学习方法相比，半监督极限学习机能够显著提高学习的速度，同时受无标记样本比例变化的影响较小，在无标记样本比例增大的情况下仍能取得较高的分类精度。此外半监督极限学习机能够有效地发掘睡眠数据中无标记样本中的有用信息，并在一定程度上抑制样本扩充带来的不确定性增加等问题，从而提高对睡眠数据的分类精度,这对睡眠状态分类算法的研究与发展有建设意义。 针对睡眠数据所特有的标记样本少，长时间数据量大的特点，本课题将研究半监督极限学习机算法，并将其应用于睡眠状态的计算机辅助分期。 二、课题研究现状及发展趋势准确的睡眠分期是进行睡眠质量评价和相关疾病诊断的重要依据。对睡眠质量进行准确客观的评价，探索改善人们睡眠质量的更加安全有效的新方法是医学和生物医学工程的重要课题，具有重要的实用价值和社会价值。 上世纪60年代,美国加州大学脑研究所将人的睡眠分为6期即:睡醒(SW),非快速眼动期(NREM)和快速眼动期(REM),其中NREM又可分为浅睡期(包括S1,S2)和深度睡眠(包括S3,S4)。那时最可信的睡眠分期方法是通过经验丰富的专家对被测者整晚的睡眠脑电信号进行人工分期。但是这种方法对专家的知识和经验水平提出了较高要求，并且费时费力，工作量大。所以从70年代开始，人们一直致力于寻找一种可代替人工的基于计算机的自动睡眠分期方法。而已有的自动睡眠分期方法大都以脑电信号为主， 主要采用的分类器是较传统的BP神经网络分类器，支持向量机（SVM）等。 二十一世纪初期，极限学习机（ELM）的概念被提出，与其它学习算法相比，它在正则化最小二乘问题方面拥有更好的表现。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点，这使其在具有复杂、非平稳性的生理信号的分类中拥有良好的表现。 睡眠分期数据具有已标记样本稀少而无标样本的获得非常廉价的特点，而半监督算法，可以利用少量的有标样本保证学习模型的正确率，同时最大效率的利用未标记样本来改善有标样本过少造成的分类效果不佳，从而改善分类学习模