论文部分内容阅读
睡眠类疾病会严重地影响睡眠质量,并给人类的身心健康造成了很大的危害。睡眠分期是诊断睡眠类疾病的基础,传统的睡眠分期以睡眠专家的主观评估为主,效率低且具有一定的误判率,因此发展客观高效的自动睡眠分期算法十分必要。基于脑电(electroencephalogram,EEG)信号的自动睡眠分期是该领域的研究热点,相关算法旨在利用从EEG信号获取的直接特征对睡眠进行有效分期。近期研究揭示,啮齿类动物的大脑存在与人类和非人类灵长类相似的默认模式网络(default mode network,DMN)。人们发现不同睡眠阶段的DMN可能发生了特异性改变,表明DMN特征可以作为睡眠分期算法的潜在特征。在本论文中,我们通过记录大鼠在不同睡眠阶段的DMN脑电信号,分析了大鼠的DMN在不同睡眠阶段的变化,并进一步从大鼠的DMN中提取特征,结合支持向量机(support vector machine,SVM)构建多分类器开展对睡眠分期的研究,我们主要完成的内容和研究成果如下:1.通过计算相位锁时值构建功能连接矩阵来分析不同睡眠阶段大鼠DMN网络的变化。我们发现theta频段的DMN网络拓扑结构在整个睡眠周期过程中有显著性变化。进一步,我们分析了对应功能网络的网络属性,发现theta频段的网络属性在睡眠的不同阶段也具有显著性差异。2.接下来,我们使用了三种不同的分类特征对大鼠进行睡眠分期。发现以网络属性作为分类的特征时,其分类的准确率最低,且分类的性能最差,而基于共空间模式分别提取原始信号和加权网络的空间信息作为分类特征的效果较好。进一步,我们比较基于共空间模式的两种提取特征方法得到的分类结果,发现基于加权网络提取特征的共空间模式方法得到的分类结果是较优的。特别是,在特征数目较少时,基于加权网络提取特征的共空间模式方法得到的分类结果效果更明显。综上所述,基于加权网络的共空间模式的特征提取方法能够实现对大鼠睡眠的自动分期,且分类的性能较好。这一方法不仅有利于减轻人工识别睡眠分期的工作量,而且为睡眠分期研究提供了一个全新的视角,有利于促进人类睡眠分期的研究,并对开发睡眠监测设备和临床诊断,以及治疗睡眠类疾病有所帮助。