论文部分内容阅读
睡眠是一项非常重要的生理过程,是人体缓解疲劳、恢复精神的最好方式,睡眠质量的好坏严重影响人的学习工作和身心健康。而睡眠分期是完成睡眠质量监测的重要前提,是研究睡眠及相关疾病的基础,具有重要临床意义和应用价值,睡眠分期方法已逐渐成为当下睡眠监测的研究热点。 睡眠分期的传统方法是通过多导睡眠仪(PSG)读取脑电(EEG)、心电(ECG)、眼电(EOG)和肌电(EMG)等信号,然后采用人工判别法实现睡眠分期。这种分期方法的监测方式笨重、主观性强、费力耗时且成本高。近年来,针对PSG的不足,国内外有不少学者致力于睡眠自动分期的研究,但大多是通过处理多通道睡眠EEG来分期睡眠,可以达到较好的分期效果,而多通道依然存在操作繁琐的缺点;相比而言,利用单通道EEG进行睡眠分期具有较大的应用广泛性和方便性价值,但其方法有待进一步的完善与优化。 睡眠自动分期有两个关键的步骤分别是睡眠特征参数提取和分类。一般的单通道EEG的睡眠分期方法所提取的特征参数种类单一,分类器的准确率不高。本文针对现有方法存在的不足,在改进睡眠特征参数和分类器的基础上提出一种新的基于单通道EEG的睡眠自动分期方法。其中,睡眠特征参数提取了更能表征睡眠变化规律的功率谱熵、多尺度熵和Kc复杂度,组成复合特征参数;分类器使用了改进后的支持向量机(SVM)——最小二乘支持向量机(LS-SVM)。本文所提取的特征参数克服了一般方法的参数单一性,通过增强参数多样性减少特征参数的数量,缩减本方法的运行时间,提高实时性;LS-SVM改善了SVM难处理大量数据和反向传播神经网络(BPNN)分类器准确率较低的缺点,提高了分类的效率和准确率。本方法的具体实现过程如下: 1、睡眠特征提取。首先,采用经验模态分解(EMD)方法对原始EEG信号进行预处理,去除设备和其他生理信号的干扰;然后,根据睡眠阶段与脑电特征波的对应关系,通过小波包分解算法提取脑电的δ、θ、α、β节律波;最后,选择和睡眠相关性较强的β、δ节律波完成功率谱熵(PSE)的运算,得到第一种特征参数;使用尺度因子为10、11的多尺度熵(MSE)处理睡眠脑电和Kc复杂度作为睡眠分期的另外两种特征参数。 2、分类。同SⅧ一样,LS-SVM也是一种典型的二分类器,而睡眠分期问题是多分类问题,本文通过“一对一”的构造方法组合多个二分类器来完成多分类任务,使用投票法对这些二分类器进行决策。构建好分类器后,先对LS-SVM分类器进行训练,再将特征参数PSE、MSE和Kc复杂度输入到LS-SVM分类器进行测试,并与人工睡眠分期进行对比。基本与人工分期结果一致,效果良好。 通过对样本数据的处理和分析,本方法提取的复合特征参数能很好的表征睡眠变化的规律,有效性强;通过与BPNN、SVM分类结果对比,LS-SVM在保证实时性的基础上,能达到更高的准确率。