论文部分内容阅读
睡眠是人体进行机体自我修复的重要环节。良好的睡眠使人精力充沛,糟糕的睡眠使人萎靡不振,还会诱发疾病。对睡眠质量进行分析可以作为生理健康监测的手段,睡眠分期又是睡眠质量分析中较为基础的环节。基于心率变异性进行睡眠分期相较于传统的基于脑电信号进行睡眠分期能够克服受试者传感器佩戴的束缚、实验费用昂贵等一些局限性,使便携式睡眠监测设备的开发成为可能。本文使用心率变异性相关指标构建睡眠分期模型。本文主要进行了以下工作:第一,实验数据获取。本文使用MIT-BIH数据库获取相关数据,通过计算选择合适的数据作为数据源。从实验数据源中提取RR间期信号并对其进行样条插值和重采样,得到时间间隔均匀的RR间期信号,同时从实验数据源中提取出睡眠分期标签。第二,对心率变异性相关特征进行提取。使用统计方法对时域特征RR间期均值MEAN、RR间期标准差SDNN、相邻RR间期差值的均方根RMSSD进行提取;使用小波变换、经验模态分解等方法对频域特征指标VLF、LF、HF、LF/HF、TP进行提取;使用混沌和分形方法相结合对非线性指标盒维数进行提取,使用Wolf方法对最大李雅普诺夫指数进行提取。将提取得到的3类10种心率变异性特征组合为特征向量,对特征向量进行数据预处理操作,并进行PCA降维以降低数据冗余度。第三,对睡眠分期模型进行建模。建模中使用一对一的多分类支持向量机解决方案,选取径向基核函数作为支持向量机核函数,同时将遗传算法和网格搜索算法相结合对超参数进行寻优,将提取出来的时频域以及非线性特征作为特征向量,使用SMO算法训练得到睡眠分期模型。第四,进行实验验证。首先通过实验选取交叉验证的折数k以及遗传算法中的一些参数项ga_option的值。其次使用遗传算法和网格搜索算法相结合对超参数进行寻优,寻优结果对应的模型最佳准确率为80.5195%,而单独使用网格搜索算法进行参数寻优对应的模型最佳准确率为79.8701%。相比较而言,前者具有更好的参数寻优结果。然后对支持向量机进行训练,使用训练出来的模型对测试数据集进行分类预测,并用混淆矩阵对睡眠分期模型的性能进行评估。评估结果显示,睡眠分期模型在测试集上的平均分类准确率为63.10%,模型对NREM期的LIGHT、DEEP两个阶段的分类准确率较高,可高达93%,但是对WAKE和REM两个阶段的分期效果不是很好。同时设计不包含盒维数、最大李雅普诺夫指数两个非线性特征的模型作为实验对照组,对其性能进行评估。实验结果显示,不包含非线性特征的模型的平均分类准确率为60.21%,与包含非线性指标的模型准确率63.10%相比要低。该结果表明使用盒维数、最大李雅普诺夫指数这两个非线性特征的睡眠分期模型的分期结果更为理想。