学海网

基于脑电信号的睡眠状态监测研究，硕士学位论文，说明书共73页，附开题报告、文献综述。
摘要：
睡眠质量的好坏对于人们生活和工作影响十分巨大。 脑 电信号作为直接反映大活动情况的生物信号，和睡眠质量关系 活动情况的生物信号，和睡眠质量关系 相当密切。 脑电信号中不同频段的节律波是区 分不同精神状态 的主要特征之一。此外， 的主要特征之一。此外， 目前的研究成果已经表明，睡眠纺锤波数量、 目前的研究成果已经表明，睡眠纺锤波数量、 形态、密度等 形态、密度等 和人们的睡眠质量以及许多疾病相关。因此，本课题状态监测 和人们的睡眠质量以及许多疾病相关。因此，本课题状态监测 和人们的睡眠质量以及许多疾病相关。因此，本课题状态监测 为目的，提出了睡眠脑电信号取 算法和睡眠纺锤波的自动检测 算法。
纺锤波是睡眠分期中 N2 期的典型特征，因此如果在 N2 期脑电信号中进行纺锤波 的检测可以大幅度提高准确率。但是目前 N2 期的分算法十复杂，因此本文 期的分算法十复杂，因此本文 提出先对脑电信号进行睡眠状 态的检测，然后在睡眠状脑电信号基础上设计了纺锤 态的检测，然后在睡眠状脑电信号基础上设计了纺锤 波的检测算法 ，同时兼顾了纺锤波检测算法的复杂度和准确率。
睡眠脑电信号的提取算 法是从采集到的脑电信号中提取出睡眠，实际上 从采集到的脑电信号中提取出睡眠，实际上 是 对脑电信号做觉醒状态和睡眠的二分类。算法 对脑电信号做觉醒状态和睡眠的二分类。算法 首先设计了 FIRFIRFIR低通滤波器对原始脑 低通滤波器对原始脑 电信号进行去噪处理，然后通过若干个 电信号进行去噪处理，然后通过若干个 FIRFIRFIR带通滤波器实现脑电信号不同节律的提取。 带通滤波器实现脑电信号不同节律的提取。 为了 找出能够最有效地区分 睡眠状态和觉醒的特征量， 本文 采取了主成分析法进 行筛选。 同时， 提出 平滑 算法来解决离群值的问题，也就是 算法来解决离群值的问题，也就是 由前 一时刻的特征量和当时刻的特征量通过加权平均方法共同决定 新的特征量。 接着 ，将脑电信号以 10 秒作 为一个样本， 标记睡眠状态或者觉醒为一个样本， 标记睡眠状态或者觉醒通过 支持向量机（ 支持向量机（ SVMSVM ）的训练实现 睡眠脑电信号的提取。 最后 ，通过新型传感器 TGAM TGAM 采集了若干试验者的脑电信号进 采集了若干试验者的脑电信号进 行了相关 实验。 实验 结果 证明了 本文提出 的睡眠脑电信号提取算法是有效。
在睡眠纺锤波的自动检测算法中，为了 更有效地提取出能量特征采在睡眠纺锤波的自动检测算法中，为了 更有效地提取出能量特征采在睡眠纺锤波的自动检测算法中，为了 更有效地提取出能量特征采基于墨西哥帽母小波的变换。 同时， 定义了每个 采样点属于纺锤波 的概率： 采样点 包含的纺锤波频谱能量占总比例 。传统算法中总是简单地将信号的频谱能量根据 。传统算法中总是简单地将信号的频谱能量根据 排序二值化， 这会丢失一部分有用的频谱信息。我们提出高斯函数 这会丢失一部分有用的频谱信息。我们提出高斯函数 让不同的频率成分 以一个合适的权重算入概率 ，从 而更好地反映出每个 采样点的能量信息。为了更准确地 采样点的能量信息。为了更准确地 估计概率值， 利用 滑动窗口算法来综合考虑每个采样点与它周围其他之间的关系。 最后， 提出 结合 专家 标记 意见 作为 训练 标签 ，采用 SVMSVM 分类器对 纺锤波进行自动检测。
由于评估纺锤波检测性能的传统方法存在着不全面 、不合理 、不合理 的问题， 本文 提出了一 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 种更为科学的评估算法， 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 并且将本文的算法和其他一起在公开数据库上进行实验。 实验结果表明 本文 提出的基于小波变换和 SVMSVM 的纺锤波检测算法性能 较为理想 。
关键词：睡眠脑电信号；主成分分析；支持向量机；纺锤波；高斯函数

目录
摘 要 I
ABSTRACT II
第一章 绪论 1
11 本课题的研究背景和意义 1
111 研究背景 1
112 研究意义 1
12 脑电信号概述 2
121 脑电信号的产生和特点 2
122 脑电信号的采集 3
13 研究现状 4
131 睡眠与 EEG 的关系 4
132 睡眠纺锤波 6
14 研究方向和重点 9
141 睡眠脑电信号的提取 9
142 纺锤波的检测 9
15 论文结构 10
第二章 睡眠脑电信号分析 12
21 脑电信号节律波 12
22 脑电信号分析和实验 13
221 时域分析 14
222 频域分析 15
223 时频分析 18
23 小波理论 21
231 小波变换的提出 21
232 小波变换的优势 21
233 连续小波变换 22
234 常用母小波 23
24 特征提取与选择 26
241 母小波选择 26
242 小波特征提取 27
243 脑电信号的特征选择 27
25 脑电信号的特征分类 29
251 分类误差的来源 30
252 各种分类器的比较 30
253 分类器的选择 33
26 本章小结 33
第三章 睡眠脑电信号的提取 34
31 算法步骤 34
311 脑电信号的能量特征提取 34
312 基于主成分析法的特征选择 37
313 平滑算法 38
314 SVM 314 SVM 分类器的构建 38
32 实验过程 39
321 基于 TGAM TGAM 的新型脑电信号采集方式 的新型脑电信号采集方式 39
322 实验环境和过程 40
323 串口数据处理 40
33 实验结果和分析 42
34 本章小结 43
第四章 睡眠纺锤波的检测算法 45
41 基于 SVMSVM 和小波变换的睡眠纺锤检测算法 45
41 1 基于小波变换的特征提取 45
412 基于高斯函数的纺锤波概率估计 46
413 滑动窗口算法 47
414 基于 SVMSVM 的纺锤波检 测 48
42 实验过程 50
421 实验的数据集 50
422 实验结果评估算法 50
423 评估指标 51
43 实验结果和分析 52
44 本章小结 54
总结和展望 55
总结 55
展望 55
参考文献 57
攻读硕士学位期间取得的研究成果 62