基于脑电信号的睡眠自动分期研究.pdf

基于脑电信号的睡眠自动分期研究 基于脑电信号的睡眠自动分期研究 摘 要 睡眠是人们重要的生理活动和行为方式之一，是决定生活质量的关键因素。 充足有效的睡眠具有恢复精力和体力的作用, 是维持健康的基本需要。在当今快 节奏生活以及高强度工作的环境下，睡眠障碍已经逐渐变成一种具有公共危害性 的疾病，由于在普通人群、老年人和大学生群体中普遍存在，所以引发人们更加 高度的重视。通过了解睡眠状态的变化，实现睡眠分期，是客观评估睡眠质量的 一种有效方法，有助于睡眠及睡眠相关疾病的研究。 睡眠自动分期的实现通常包括四个阶段：信号预处理、特征提取、特征选择 和分类识别。以睡眠脑电信号为研究对象，提出一种新的具有较高分类准确率的 自动睡眠分期方法，该方法改进了四个阶段中的特征选择阶段和分类识别阶段。 在特征选择阶段采用混合特征选择方法，更为有效的提取特征，在分类识别阶段 采用群智能算法，更为有效的搜寻最优参数。 在每个阶段中完成的工作如下： 1、信号预处理。脑电信号微弱，随机性强，且极易受到信号干扰，所以需 要对信号进行预处理，消除噪声。因小波变换的特性，其在去噪方面应用广泛， 并具有较大优势，故采用小波阈值去噪方法。基于前人研究，确定小波变换的小 波基函数、分解层数以及阈值，实现脑电信号去噪预处理。 2 、特征提取。在特征提取阶段，从四个方面对每一个睡眠阶段（30s 为一 个单位）提取30 个特征，包括时域特征：最大值、最小值、方差、峰度、偏度、 标准差、平均值、中间值、过零值及Hjorth 参数共11 个；频域特征：中心频率、 带宽及中心频率的值共3 个；时频域特征：γ 波、β 波、α 波、θ 波、δ 波及K 复 合波占据总能量的比值共6 个以及非线性动力学特征：C0 复杂度、样本熵、多 尺度熵、模糊熵、近似熵及奇异谱特征值共 10 个。在提取完以上30 个特征之后， 为防止因不同特征之间的量纲对结果产生影响，进行归一化处理。 3、特征选择。在特征选择阶段，采用混合特征选择方法。首先采用决策树、 递归特征消除算法分别实现特征选择。其次，在两种特征选择方法的基础上，利 用合并策略进行特征的混合，得到最终的分类器的输入特征。 4 、分类识别。在特征的分类识别阶段，基于实际的MIT-BIT 数据库的睡眠 脑电信号数据，先采用改进的果蝇算法（IFOA ）优化支持向量机（SVM）的惩 罚系数和核函数参数，然后利用SVM 对输入特征进行训练，构建睡眠分期模型 I 浙江工业大学硕士学位论文 并测试。实验结果表明，相对于单一的特征选择方法，混合特征选择方法能够选 择得到更有效的特征，相比于果蝇算法，改进的果蝇算法具有更强的优化能力， 能在一定程度上提高SVM 的分类精度。因此，基于混合特征选择和IFOA-SVM 的自动睡眠分期方法是一种行之有效的方法，为睡眠分期提供了一种新思路。 关键词：脑电信号，特征选择，改进果蝇算法，支持向量机，睡眠分期 II 基于脑电信号的睡眠自动分期研究 RESEARCH ON AUTOMATIC STAGING OF SLEEP BASED ON EEG SIGNAL ABSTARCT Sleep is one of the most important physiological activities and behaviors of people. And it is the key factor in determining the quality of life. An effective and sufficient sleep has the function of restoring energy and physical strength and is