论文部分内容阅读
良好的睡眠是正常生活的重要保障,睡眠呼吸暂停低通气综合征(SAHS)是发病率极高的一种睡眠疾病,其对人的短期和长期健康都有着不利的影响。目前,该疾病的检测过程繁琐且价格昂贵,需要医护人员的专业操作,因此很多人不能及时了解自己的睡眠状况。若能简化睡眠呼吸暂停的检测过程,让更多人了解自己的睡眠状况,这对于疾病的预防有十分重要的意义。近几十年来,大量研究发现心电图(Electrocardiograph,ECG)信号可以检测睡眠呼吸暂停的发生,但是仍有很多问题有待于深入研究。本文在深入研究稳定特征选择的基础上,建立睡眠呼吸暂停诊断模型,力求简化睡眠呼吸暂停的诊断。本文将基于ECG信号实现睡眠呼吸暂停事件的检测,主要工作包括以下几个方面:(1)特征提取及显著性差异分析。根据QRS波的面积估计心电导出呼吸(Electrocardiogram-derived respiration,EDR)信号,对RR间期序列及EDR信号进行时域、频域及非线性分析,共获得46个特征值。使用Mann-Whitney U非参数检验分析各个特征在正常睡眠信号及睡眠呼吸暂停信号之间的显著性差异,删除无显著差异的特征。(2)稳定特征选择研究。基于三种性能良好的特征选择方法:最小冗余最大相关(mRMR)法、ReliefF法、ILFS法及一种稳健排序聚合(RRA)方法,建立了四种稳定特征选择方法,分别为:ReliefF-RRA方法、mRMR-RRA方法、ILFS-RRA方法及FP-RRA方法,其中FP-RRA方法是将以上三种基本排序方法集成在一起。结果表明:ReliefF-RRA方法、mRMR-RRA方法的稳定性优于ILFS-RRA方法及FP-RRA方法。4种方法排名前20的特征中,共有的特征均来自RR间期,包括:RRcorr2、RRcorr3、RRcorr4、FMEn,这些特征具有良好的稳定性及区分能力。(3)睡眠呼吸暂停诊断模型研究。将上述四种方法得到的特征排序结果分别应用于RBF核-支持向量机(RBF-SVM)、K-最近邻(KNN)、线性判别分析(LDA)分类器,观察分类准确率随特征数量变化的情况。将表现最佳的特征选择方法与分类器结合,组成最终分类模型,并应用于独立测试集进行性能验证。结果表明:三种分类器中RBF-SVM的表现最好。ReliefF-RRA方法与FP-RRA方法在各分类器上的表现优于mRMR-RRA方法及ILFS-RRA方法。综合特征选择方法的稳定性及在各分类器上的表现,本文将ReliefF-RRA方法与RBF-SVM结合训练最终分类模型。使用ReliefF-RRA方法得到的前33个特征,在测试集上实现准确率(Acc)为92.17%,灵敏度(Se)为87.70%,特异性(Sp)为94.46%。