论文部分内容阅读
睡眠是人体恢复体力与自我修复的重要过程。通过对脑电信号等生物电信号的特征进行判读，用若干睡眠分期来表征整夜睡眠状态的变化，是评价睡眠质量和诊断睡眠问题的有力依据。计算机自动判别算法虽然在处理速度上较人工判读有显著优势，但实际应用中判别效果并不理想。在临床上仍需依靠经验丰富的医师进行人工分期。本课题主要研究自动睡眠分期方法，从提高识别算法的准确性和增强识别方法的解释性两方面着手，研究脑电信号的特征提取、混合信号的特征选择，以及睡眠分期的自动判别方法。 (1)脑电信号的特征提取。常用的频域与非线性动力学方法在规避噪声干扰的同时，也破坏了信号中信息的完整性。针对上述问题，本文研究并提出了一种基于“杂波”平滑的时域特征提取方法。该方法首先将信号中微小的“杂波”合并入主要的波形中，使得信号中的特征波得以凸显，再统计信号中出现的特征波数量作为时域特征。经过与傅里叶变换和近似熵算法的对比，结果表明:时域特征能够突出觉醒期与深度睡眠状态下的特征信息，对提高睡眠分期的识别准确率上表现出较好的优越性。 (2)混合信号的特征选择。多导联采集的脑电信号来源于大脑不同部位，对不同的信号采用单一的分析方法，势必产生特征冗余。针对上述问题，本课题设计并实现了基于遗传算法的混合信号特征选择方法。针对不同个体，从提取的脑电、眼电和肌电特征中得到最优特征集合，并从特征集合中进一步筛选出共同的特征组合。结果表明:在保证睡眠分期识别准确率的同时，能够降低特征维数，并剔除冗余特征。 (3)睡眠分期的自动判别。已有的模式识别方法能够实现睡眠分期的自动判别，但算法的实现过程缺乏与实际应用关联的解释性，且判读结果也较易出现不合常理的错误。针对上述问题，本课题提出了一种基于“二次状态划分”的睡眠分期分段识别方法:根据特征值的差异性，将睡眠过程划分为稳定状态与过渡状态;在稳定状态的判读过程中，利用其睡眠状态的连续性，设定判读标签的平滑规则来修正睡眠分期的判读;在过渡状态的判读过程中，根据睡眠状态在不同睡眠期的变化规律，对可能出现的睡眠分期进行判别。结果表明:该方法能够避免自动睡眠分期的不合理判读，提高准确率的同时，也增强了算法解释性。