基于EEG信号的睡眠自动分期方法研究.pdfVIP

摘 要 摘 要 睡眠是关乎人身体健康最重要的生理过程，随着社会的发展，人民生活节奏的 加快和生活压力变大，导致越来越多的人出现睡眠质量降低的情况，由此衍生出的 疾病也日益增多，因此对睡眠的研究引起了学者的广泛关注。临床上通过对睡眠过 程分期检测相关疾病，传统的人工睡眠分期方法耗时且费力，主观性较强。脑电信 号 （EEG ）是目前进行睡眠障碍疾病治疗诊断的重要依据，近年来开始研究睡眠脑 电信号的自动分期方法，对睡眠障碍疾病治疗和诊断具有重要的应用价值。 本文研究一种基于EEG 信号睡眠自动分期的新方法，主要包括信号预处理、特 征提取和分类识别三部分。首先将MIT-BIH 数据库中的8 位测试者的EEG 信号作为 分析对象，采用小波变换对脑电信号预处理，用小波包分解法提取EEG 信号的α 、β 、 δ 、θ 四种节律波，并计算相对能量特征，之后提取EEG 的复杂度、多尺度样本熵 （MSE ）、Lyapunov 指数和关联维数特征。本文对MSE 方法进行改进，提出复合多 尺度样本熵 （CMSE ）的新方法，减小了计算误差并提高了计算能力。对所有的特征 BP SVM 参数构建 神经网络和支持向量机 （ ）两种分类模型进行自动分期，结果与 专家分期对比得出准确率，选择较准确的SVM 分类器进行实验数据的分析。最后使 用医院睡眠采集模块采集的8 名患者共48 小时的睡眠脑电数据，提取多个特征，分 别将MSE 、CMSE 作为主特征，采用SVM 方法进行分期计算，将自动分期结果与 医院诊断的分期结果对比，验证了CMSE 作为主特征进行SVM 睡眠分期的较高准 确性。 BP SVM 实验结果表明， 神经网络和 都可以作为睡眠分期的模型，整体分期结 果相似，但用SVM 自动分期的正确率更高；利用SVM 对本文提出的CMSE 与节律 波、相对能量、复杂度等特征进行睡眠自动分期时，可以减少特征提取的计算时间， 减小误差，并提高自动分期的准确率。因此本文提出的基于EEG 信号的睡眠分期方 法为睡眠障碍疾病的诊断和治疗提供了一种有效途径，具有实际的应用价值。 关键词 脑电信号；睡眠分期；小波变换；特征提取；支持向量机 I Abstract Abstract Sleep is the most important physiological process related to a persons physical health. With the development of society, the acceleration of peoples living rhythms and the increasing pressure on life have led to more and more people suffering from reduced sleep quality, and the diseases derived from them have also increased. Therefore, the research of sleep has attracted widespread attention from scholars. Clinically, by staging the sleep process to detect related diseases, the traditional artificial sleep staging methods are time-consuming, laborious, and subj ective. Electroencephalography (EEG) is an important basis for the diagnosis and treatment of sle